【摘要】：進入21世紀(jì)以來,神經(jīng)網(wǎng)絡(luò)、情感分析等在電影票房預(yù)測上的廣泛應(yīng)用,使得電影票房預(yù)測的準(zhǔn)確性逐年提高。由于電影制作的復(fù)雜與不確定性,未來電影票房預(yù)測的發(fā)展趨勢需要吸納更多數(shù)據(jù),采取更貼合的模型跟蹤預(yù)測�，F(xiàn)有的基于產(chǎn)品的神經(jīng)網(wǎng)絡(luò)算法(PNN)模型在票房預(yù)測取得了不錯的效果,但仍然有一些不足。本文針對性地提出了三種改進的模型架構(gòu)。在特征工程階段,PNN模型將所有特征按領(lǐng)域劃分,領(lǐng)域間特征通過兩兩交叉映射到同一向量空間。這忽略了每個領(lǐng)域中特征表達的一致性,本文提出以組為單位的產(chǎn)品神經(jīng)網(wǎng)絡(luò)算法(GPNN)模型引入分組進入嵌入層(GSE)的概念,進行特征組劃分時,對組內(nèi)所有特征考慮表達的一致性和差異性。另外在GPNN特征工程基礎(chǔ)上,強化對票房預(yù)測影響較大的一些交叉連續(xù)特征,作為有連續(xù)特征的以組為單位的產(chǎn)品神經(jīng)網(wǎng)絡(luò)算法(CGPNN)。在特征交叉階段,GPNN、CGPNN模型均采用外積算子實現(xiàn)特征交叉,將特征映射到高維向量空間內(nèi),全面地學(xué)習(xí)出特征的深層表達,然而在數(shù)據(jù)不足的情況下模型難以收斂。針對這兩種網(wǎng)絡(luò)結(jié)構(gòu)的特性,本文提出了基于探測的有連續(xù)特征的以組為單位的產(chǎn)品神經(jīng)網(wǎng)絡(luò)算法(Probe-based CGPNN)模型,用內(nèi)積算子完成特征交叉,在保證預(yù)測效果不明顯下降的前提下,合理地降低時空復(fù)雜度。基于上述的三種改進模型,借鑒現(xiàn)有票房預(yù)測系統(tǒng)的結(jié)構(gòu),本文設(shè)計與實現(xiàn)了基于社交網(wǎng)絡(luò)分析的電影票房預(yù)測系統(tǒng),將整個系統(tǒng)劃分為網(wǎng)絡(luò)爬蟲子模塊、數(shù)據(jù)存儲模塊、文本情感分析子模塊、特征組合子模塊、電影票房預(yù)測子模塊、數(shù)據(jù)前端展示模塊等六個主要功能模塊,并詳細闡述了其內(nèi)部實現(xiàn)細節(jié)。
【圖文】：

貓眼電影票房預(yù)測系統(tǒng)是現(xiàn)在國內(nèi)商業(yè)應(yīng)用最廣且準(zhǔn)確度相對較高的電影逡逑票房預(yù)測系統(tǒng)［１９］。貓眼目前重點關(guān)注上映前一天、上映第一天以及上映當(dāng)周周末逡逑這幾個重要時間點的票房效果。如圖２－１所示，是基礎(chǔ)數(shù)據(jù)、預(yù)測服務(wù)和貓眼專逡逑業(yè)版三個子模塊的關(guān)系：逡逑么休影賠隹邐全國邐ｒｖ邋天級邐，，邋總票邐邐逡逑°邐實時［＝票房房預(yù)逡逑￥~栧危黃狽垮臥げ忮尾忮義希薄薄廾ㄑ圩ㄒ蛋駑義希斡霸哄緯鞘械劐義廈ㄑ勱灰資蒎問凳鼻凳卞義襄危灣迤狽垮紋狽垮五五義匣〗壇體臥げ夥皴義賢跡玻被∈蕁⒃げ夥瘛⒚ㄑ圩ㄒ蛋婀叵低煎義先繽跡玻彼荊諍獻饔霸菏燮筆蕁⒚ㄑ凼燮逼教ń灰資蕕日廡┗″義鮮藎啥勻凳逼狽考懊扛鲇霸旱氖凳逼狽拷性げ�，哆\竦玫氖萁繡義狹艘恍┙翟氪懟５玫餃扛鲇霸旱氖凳逼狽亢�，，可以_匠鞘械厙凳逼狽垮義系腦げ猓郟玻眩蕁Ｖ氐閌翹旒鍍狽亢妥芷狽康腦げ�，需要蠂D愿叢擁姆椒ɡ醋觶硨簀義系氖荻薊嵴故駒諉ㄑ圩ㄒ蛋媯峁└纈按右嫡擼霸壕懟⑵降冉脅慰肌ｅ義希玻玻筆凳逼狽垮義廈ㄑ鄣纈壩耄梗埃サ撓霸漢獻鰨越恿隋澹保鋼質(zhì)燮畢低場⑾晗傅撓霸撼〈渭白義銜皇蕕�。预�

本文編號：2599734