電影大數(shù)據(jù)國(guó)際文獻(xiàn)綜述

海闊　海翔宇

【摘要】大數(shù)據(jù)是當(dāng)前的一種熱點(diǎn)技術(shù)，在越來越多的科學(xué)研究領(lǐng)域得到應(yīng)用。通過對(duì)國(guó)際前沿的電影大數(shù)據(jù)研究進(jìn)行梳理，以近5年電影大數(shù)據(jù)相關(guān)的英文論文為樣本進(jìn)行分析發(fā)現(xiàn)，大數(shù)據(jù)在電影產(chǎn)業(yè)得到廣泛應(yīng)用。根據(jù)文獻(xiàn)的主題域，從票房預(yù)測(cè)、市場(chǎng)營(yíng)銷、情感分析、推薦系統(tǒng)、產(chǎn)業(yè)經(jīng)濟(jì)、文化批評(píng)和文本分析方面，總結(jié)主要研究成果，為電影研究帶來新的視野。

【關(guān)鍵詞】電影；大數(shù)據(jù)；社交媒體；人工智能

大數(shù)據(jù)是當(dāng)前的一種熱點(diǎn)技術(shù)，對(duì)社會(huì)影響巨大。越來越多的科學(xué)研究領(lǐng)域應(yīng)用大數(shù)據(jù)，甚至一些人文學(xué)科也在開拓?cái)?shù)據(jù)研究新理路。大數(shù)據(jù)的核心是運(yùn)用計(jì)算機(jī)技術(shù)，通過人們?cè)诨ヂ?lián)網(wǎng)上形成的分散的、非結(jié)構(gòu)化的數(shù)據(jù)，發(fā)現(xiàn)傳統(tǒng)研究無法實(shí)現(xiàn)的規(guī)律。本文試圖對(duì)國(guó)際前沿的電影大數(shù)據(jù)研究進(jìn)行梳理，總結(jié)研究成果，尤其是跨學(xué)科的理論，為電影研究帶來新的視野。

波德維爾（2000）以“中間層面理論”強(qiáng)調(diào)在“實(shí)證主義”思想指導(dǎo)下的電影形式關(guān)懷，提倡電影內(nèi)容生產(chǎn)的數(shù)據(jù)思維和計(jì)算過程。以互聯(lián)網(wǎng)、云計(jì)算等技術(shù)和平臺(tái)為核心的大數(shù)據(jù)，為這種研究路徑提供了新的形式和方法。2013年，Netflix公司根據(jù)網(wǎng)絡(luò)用戶使用習(xí)慣，分析出導(dǎo)演、主演和劇情的交集，推出《紙牌屋》，獲得巨大成功。同年，谷歌的媒體與娛樂業(yè)首席分析師Andrea Chen與Reggie Panaligan聯(lián)合發(fā)布了《用谷歌搜索量化電影魔力》白皮書。以2012年間美國(guó)上映的近百部電影為研究對(duì)象，分析了影片上映前各時(shí)間段里用戶對(duì)各類電影信息的搜索行為數(shù)據(jù)，揭示了電影相關(guān)搜索量與電影票房成績(jī)間存在的強(qiáng)相關(guān)性。國(guó)內(nèi)也快速應(yīng)用了大數(shù)據(jù)，但主要在票房監(jiān)測(cè)和預(yù)測(cè)、營(yíng)銷等方面。

本研究以2013年1月到2018年1月與電影大數(shù)據(jù)相關(guān)的英文文獻(xiàn)為樣本，通過對(duì)600多篇文獻(xiàn)進(jìn)行篩選，最終選取76篇作為研究對(duì)象。根據(jù)文獻(xiàn)的主題域，我們劃分為票房預(yù)測(cè)、市場(chǎng)營(yíng)銷、情感分析、推薦系統(tǒng)、產(chǎn)業(yè)經(jīng)濟(jì)、文化批評(píng)和文本分析六個(gè)方面。

一、票房預(yù)測(cè)

電影產(chǎn)業(yè)的高風(fēng)險(xiǎn)性使企業(yè)一直在尋找能夠準(zhǔn)確預(yù)測(cè)收益的方法。然而，由于電影受到非常復(fù)雜的社會(huì)因素影響，即使是最有經(jīng)驗(yàn)的電影人，也往往會(huì)無法準(zhǔn)確把握。近年來，成本的不斷攀升，前兩周即完成主要票房收入的飽和式發(fā)行，家庭影像產(chǎn)品銷售的下降，以及媒介競(jìng)爭(zhēng)的加劇，都使得電影的風(fēng)險(xiǎn)日益增強(qiáng)。不過，隨著人們互聯(lián)網(wǎng)應(yīng)用的深入，通過信息技術(shù)準(zhǔn)確預(yù)測(cè)票房的可能性不斷提高。計(jì)算機(jī)專業(yè)較早地以不同的算法和變量組合，探索票房預(yù)測(cè)的規(guī)律。

傳統(tǒng)票房預(yù)測(cè)研究將預(yù)算、演員、導(dǎo)演、制片人、故事地點(diǎn)、編劇、上映時(shí)間、音樂、上映地點(diǎn)、目標(biāo)觀眾和續(xù)集等因素作為變量。而基于大數(shù)據(jù)的研究則集中在社交媒體、搜索引擎和營(yíng)銷活動(dòng)等方面。

人們通過社交媒體，對(duì)電影進(jìn)行評(píng)論，即消費(fèi)者參與行為（Consumer engagement behavior，簡(jiǎn)稱CEB），產(chǎn)生大量數(shù)據(jù)。許多研究探討了CEB與票房之間的關(guān)聯(lián)性。Oh Chong等對(duì)美國(guó)電影及社交媒體活動(dòng)進(jìn)行分析，發(fā)現(xiàn)Facebook和YouTube上的CEB與票房總收入是正相關(guān)的；然而，在Twitter上卻沒有同樣的效果。他們認(rèn)為，電影在多個(gè)渠道進(jìn)行社交媒體傳播具有重要意義。[1]Huang Jianxiong等提出，專家評(píng)論和基于拉動(dòng)式的用戶評(píng)論在電影上映的早期階段有影響，并且隨著時(shí)間的推移，影響會(huì)逐漸減小。相比之下，基于推送式的微博平臺(tái)的評(píng)論數(shù)量對(duì)以后的票房收入有影響。他們認(rèn)為，網(wǎng)絡(luò)意見并不總是具有說服力和有用性。[2]不過，Baek Hyunmi等似乎獲得了與上述兩個(gè)研究不同的結(jié)果。他們以羅杰斯的創(chuàng)新擴(kuò)散理論為框架，對(duì)多個(gè)社交媒體平臺(tái)進(jìn)行比較，提出在電影上映的初期階段，Twitter對(duì)票房收入的影響更大，因?yàn)樗哂懈叨鹊募磿r(shí)性和傳播性。雅虎在電影上映的后期，對(duì)電影的影響力更大，因?yàn)樗哂泻軓?qiáng)的說服力。由于博客和YouTube包含了大眾媒體和人際傳播媒體的特點(diǎn)，在最初和后期階段對(duì)票房收入的影響沒有什么不同。[3]Ding Chao等聚焦Facebook的點(diǎn)贊行為，發(fā)現(xiàn)在上映前一周，點(diǎn)“贊”數(shù)量增加1%，則上映周票房增長(zhǎng)約0.2%。越接近上映日期，提前點(diǎn)“贊”的效果就會(huì)變得越強(qiáng)。[4]Oh Sehwan等通過對(duì)YouTube上電影預(yù)告片的分析發(fā)現(xiàn)，電影預(yù)告片的分享對(duì)電影的票房收入有積極的影響，在電影上映的早期階段，這一效果比在后期階段更大。[5]有些研究通過對(duì)比Android和iOS兩個(gè)系統(tǒng)平臺(tái)上發(fā)布的Twitter文章，探討了不同平臺(tái)對(duì)導(dǎo)演、劇情和音樂等的側(cè)重點(diǎn)。

有些研究將視野從單一的國(guó)內(nèi)市場(chǎng)，擴(kuò)大到國(guó)際市場(chǎng)。Kim Sang Ho等通過對(duì)美國(guó)電影國(guó)內(nèi)和國(guó)際票房的分析，探討專家評(píng)論和網(wǎng)絡(luò)口碑（eWOM）與票房之間的關(guān)系。研究發(fā)現(xiàn)，二者對(duì)國(guó)內(nèi)票房均有重要作用，而eWOM則對(duì)國(guó)際票房有影響。[6]

有些研究通過建立電影在社交媒體的情感關(guān)系模型，探討評(píng)論者情緒對(duì)票房的影響。Rui Huaxia團(tuán)隊(duì)提出，Twitter上的正面評(píng)論可以促進(jìn)票房增長(zhǎng)，負(fù)面評(píng)論則阻礙票房增長(zhǎng)。對(duì)電影銷售最強(qiáng)烈的影響來自于那些直接表達(dá)他們想看某部電影的推文。因?yàn)檫@類意圖明確的推文在電影銷售上具有雙重效果：作者自己購買行為的直接影響，以及通過替代認(rèn)知效應(yīng)（awareness effect）或網(wǎng)絡(luò)口碑對(duì)接受者的說服性間接影響。[7]而有的研究則認(rèn)為，用戶的購買意向可以帶來更準(zhǔn)確的電影票房收入預(yù)測(cè)。

電影的發(fā)行渠道及破壞市場(chǎng)秩序的方式對(duì)票房的影響一直受到人們的關(guān)注。Kim Eun等對(duì)韓國(guó)電影市場(chǎng)的研究表明，較高的票房成績(jī)與較短的播放延遲對(duì)視頻點(diǎn)播（VOD）市場(chǎng)效果具有顯著作用。票房在網(wǎng)絡(luò)上的重要性可以用高質(zhì)量的評(píng)價(jià)、營(yíng)銷或“點(diǎn)贊”行為等方面來解釋。[8]Kestutis Cerniauskas通過對(duì)BitTorrent網(wǎng)絡(luò)上電影分享的研究，探討該盜版方式對(duì)票房的影響。研究發(fā)現(xiàn)，在電影發(fā)布后的最初幾周，文件共享與美國(guó)票房銷售有些許正面的關(guān)系，之后沒有任何效果。也就是說，電影分享不會(huì)減少票房收入，因?yàn)榉窒聿⒎请娪暗奶娲贰9]

此外，有的研究將歷史性的結(jié)構(gòu)性數(shù)據(jù)與社交媒體的非結(jié)構(gòu)性數(shù)據(jù)結(jié)合，進(jìn)行交叉熵的傳播分析；還有的研究分析維基百科與票房之間的關(guān)系。就準(zhǔn)確率而言，通過首映周末的數(shù)據(jù)分析之后的票房收入的預(yù)測(cè)方式最穩(wěn)定。

二、市場(chǎng)營(yíng)銷

從文獻(xiàn)的學(xué)科分布來看，市場(chǎng)營(yíng)銷也是電影大數(shù)據(jù)研究的一個(gè)熱點(diǎn)，其中跨媒體整合營(yíng)銷是重要的一種路徑。Sattelberger Felix等以德國(guó)電影市場(chǎng)為例，分析了多平臺(tái)營(yíng)銷策略，提出應(yīng)該盡可能多地增加吸引用戶的頁面和電影預(yù)告片。在不同用戶的不同平臺(tái)之間，存在著強(qiáng)大的路徑依賴關(guān)系，并且在不同的平臺(tái)之間的可互換性很高，這表明可以開發(fā)一種更簡(jiǎn)化的監(jiān)控社交媒體的程序，以減少工作量和成本。另外，增加預(yù)告片的覆蓋范圍、點(diǎn)贊的次數(shù)和評(píng)論可相應(yīng)減少電影的負(fù)面評(píng)價(jià)。藝術(shù)電影應(yīng)該采用更為廣泛傳播的市場(chǎng)策略。對(duì)于大片來說，網(wǎng)絡(luò)搜索過程總是先于在線用戶交流。因此，在電影上映之前很久就提供有關(guān)電影的信息，這對(duì)于增加電影被網(wǎng)絡(luò)搜索引擎索引的可能性是至關(guān)重要的。[10]同樣，Nanda Madhumita等通過YouTube、Facebook和Twitter的數(shù)據(jù)，探討了整合社會(huì)媒體推廣策略（integrative social media strategy）在寶萊塢電影產(chǎn)業(yè)中的成功作用。社交媒體宣傳策略的核心是開發(fā)合適的內(nèi)容，以匹配社交媒體平臺(tái)的獨(dú)特特征。Facebook的主要用途是通過組織有趣的活動(dòng)來連接觀眾，Twitter則主要用來轉(zhuǎn)發(fā)來自觀眾的正面口碑。利用社交媒體平臺(tái)與觀眾建立情感聯(lián)系，通過宣傳觀眾與電影主角的身份認(rèn)同是有效的宣傳策略。[11]

Weisfeld-Spolter Suri等則通過網(wǎng)絡(luò)口碑（eWOM）營(yíng)銷與同步營(yíng)銷傳播（MC）兩種關(guān)系營(yíng)銷的作用比較發(fā)現(xiàn)，并不是所有積極的口碑都比MC有更積極的影響。因?yàn)?，并非所有的eWOM類型都具有相同的說服力和社區(qū)支持。來自C2C支持的社交網(wǎng)絡(luò)的影響力比B2C更有影響力，尤其是對(duì)多對(duì)多的eWOM通信來說。因此，SNS的贊助可能會(huì)導(dǎo)致信息源偏差，并影響嵌入在SNS中eWOM的說服性。[12]

有些研究重點(diǎn)考察電影營(yíng)銷的不同階段。Chen Kun等以中國(guó)電影市場(chǎng)為研究對(duì)象，探討社會(huì)信息在不同產(chǎn)品發(fā)布階段的競(jìng)爭(zhēng)效果。他們提出，競(jìng)爭(zhēng)對(duì)手的社會(huì)觀點(diǎn)對(duì)產(chǎn)品的銷售很重要。搜索量緩和了社會(huì)觀點(diǎn)和產(chǎn)品銷售之間的影響。當(dāng)搜索量足夠大的時(shí)候，對(duì)手負(fù)面觀點(diǎn)對(duì)票房的作用會(huì)相應(yīng)減少。[13]Yeujun Yoon運(yùn)用馬爾可夫決策過程理論（decision process theory），以美國(guó)的電影行業(yè)數(shù)據(jù)和Twitter發(fā)布的數(shù)據(jù)，分析在電影質(zhì)量評(píng)價(jià)階段，如何影響人們觀看一部電影的決定。研究發(fā)現(xiàn)，在電影上映前為了吸引觀眾而進(jìn)行大量的廣告宣傳，可能會(huì)適得其反，因?yàn)槟菢犹岣吡擞^眾的期望值。[14]Gopinath Shyam等通過對(duì)美國(guó)不同區(qū)域市場(chǎng)的調(diào)查發(fā)現(xiàn)，電影首映的表現(xiàn)受到預(yù)先發(fā)布的博客數(shù)量和廣告的影響，而放映后的表現(xiàn)受到放映后博客的評(píng)級(jí)和廣告的影響。在整個(gè)市場(chǎng)中，廣告和博客評(píng)級(jí)（放映后）的彈性比博客數(shù)量（提前發(fā)布）的彈性更大。實(shí)際應(yīng)用中，大部分電影公司的有限發(fā)行策略中，廣告和博客數(shù)量只達(dá)到了理想數(shù)據(jù)的一半。[15]Escoffier Nadine等認(rèn)為，盡管群體智慧在沒有社會(huì)影響的情況下更準(zhǔn)確，但在社會(huì)影響的條件下，其準(zhǔn)確性會(huì)隨著時(shí)間的推移而增加。在電影上映前的評(píng)估中，由一小群人獨(dú)立評(píng)估產(chǎn)生的群體效應(yīng)的智慧比少數(shù)專家的評(píng)估更準(zhǔn)確。因此，應(yīng)當(dāng)以群體智慧來獲得對(duì)電影質(zhì)量的真實(shí)度量。在市場(chǎng)營(yíng)銷階段，通過在線群體智慧，以形成積極的社會(huì)媒體影響。[16]

有些研究從觀眾滿意度的視角著眼。Chen Hongyu等認(rèn)為社交媒體上的評(píng)論，即用戶生成內(nèi)容（UGC），具有天生的不完整性，因?yàn)闆]有抓住不寫評(píng)論的用戶的意見。這些沉默的用戶可能與那些說話的人有系統(tǒng)性的差異。他們通過Blockbuster.com用戶的電影評(píng)論調(diào)查發(fā)現(xiàn)，當(dāng)用戶對(duì)電影不滿意時(shí)，他們發(fā)布評(píng)論的平均概率是0.06；而當(dāng)用戶滿意時(shí)，則是0.23。因此，我們?cè)诜治鯱GC時(shí)如果忽視沉默的用戶，將導(dǎo)致效果的偏差。[17]

三、情感分析

大數(shù)據(jù)研究中，消費(fèi)者的情感往往成為決定事物發(fā)展方向的重要因素。通過人工智能的算法，對(duì)電影評(píng)論的情感分析是研究的一個(gè)熱點(diǎn)。其中，電影評(píng)分與票房和社會(huì)影響力有著緊密聯(lián)系。

Lee Young-Jin等比較了陌生人和朋友對(duì)用戶生成影評(píng)的作用。研究發(fā)現(xiàn)，陌生人群評(píng)分具有“羊群效應(yīng)”和差異化行為的雙重影響。用戶在評(píng)分時(shí)會(huì)受到之前電影主流評(píng)分的影響，跟隨主流，或者故意發(fā)表不同言論。相比之下，朋友的評(píng)分總是會(huì)引發(fā)“羊群效應(yīng)”。[18]Flanagin Andrew等提出，評(píng)分的等級(jí)與信任、依賴、對(duì)用戶生成內(nèi)容的可信性以及自己與他人的觀點(diǎn)一致等因素具有較強(qiáng)的關(guān)系。人們傾向于在信息量低的時(shí)候傾向于專家，但在信息量大的情況下傾向于用戶生成的信息。人們的觀點(diǎn)和行為意圖與他們所暴露的在線評(píng)級(jí)信息相一致。[19]當(dāng)消費(fèi)者遇到太多的正面評(píng)論時(shí)，他們可能會(huì)懷疑eWOM本身的可信度。因此，Jong HyupLee等通過對(duì)文本挖掘技術(shù)的分析，分析了評(píng)論文本情緒的熵。評(píng)論文本中的熵值對(duì)eWOM與電影票房銷售的關(guān)系有積極的緩和影響。刪除負(fù)面評(píng)論以提高產(chǎn)品銷量可能不會(huì)對(duì)在線零售商或相關(guān)方有所幫助。[20]

除了評(píng)分的情感分析，計(jì)算機(jī)專業(yè)研究的主流是影評(píng)語言的算法，而人文社會(huì)科學(xué)則通過情緒傾向探討其背后的社會(huì)現(xiàn)象。Oh Sanghee等通過多個(gè)社交媒體平臺(tái)，試圖分析用戶與匿名者分享他們的個(gè)人經(jīng)歷、信息和社會(huì)支持的動(dòng)機(jī)。他們提出影響分享動(dòng)機(jī)的10個(gè)因素有快樂、自我效能、學(xué)習(xí)、個(gè)人收獲、利他主義、移情、社會(huì)參與、社區(qū)利益、互惠和聲譽(yù)。這些因素都是基于對(duì)主要?jiǎng)訖C(jī)理論和模型的評(píng)價(jià)來確定社交媒體用戶的動(dòng)機(jī)的。不同的信息內(nèi)容和不同的目的，不同的社交媒體有不同的動(dòng)機(jī)。[21]有的研究從女性主義視角，認(rèn)為強(qiáng)勢(shì)女性擔(dān)任主角并不會(huì)降低科幻電影的盈利能力。

四、推薦系統(tǒng)

大數(shù)據(jù)為商業(yè)社會(huì)帶來了一種重要行為方式，即智能推薦系統(tǒng)。人們?cè)诨ヂ?lián)網(wǎng)上產(chǎn)生的信息記錄，使企業(yè)可以把廣告精準(zhǔn)地送達(dá)，甚至達(dá)到引導(dǎo)消費(fèi)的效果。熱門電影及其相關(guān)信息的推薦成為該領(lǐng)域的研究熱點(diǎn)，主流的研究方法是計(jì)算機(jī)智能算法。在線協(xié)作電影推薦試圖通過在用戶或電影中捕捉與他們歷史相似的“鄰居”，來幫助用戶訪問他們喜歡的電影。然而，由于數(shù)據(jù)稀疏，隨著電影和用戶的快速增長(zhǎng)，“鄰居”的選擇變得越來越困難。

還有一些研究運(yùn)用混合模型電影推薦系統(tǒng)。Dixon Prem Daniel等提出一種利用智能手機(jī)用戶瀏覽歷史的模式，進(jìn)行個(gè)性化電影推薦。瀏覽歷史和電影情節(jié)摘要被用來生成一個(gè)相似的分?jǐn)?shù)。電影獲得的分?jǐn)?shù)被合并到一個(gè)潛在的因素模型中，該模型可以計(jì)算潛在的用戶和項(xiàng)目特性。這個(gè)模型在使用用戶瀏覽歷史的情況下預(yù)測(cè)用戶的評(píng)分，并最終獲取與用戶喜歡的相似的電影。[22]此外，有些研究將年齡和性別等用戶信息作為電影推薦系統(tǒng)的評(píng)估要素。

五、產(chǎn)業(yè)經(jīng)濟(jì)

粉絲圈和眾籌都被認(rèn)為是一個(gè)空間，被邊緣化的聲音可以對(duì)流行文化進(jìn)行變革干預(yù)，并對(duì)產(chǎn)生它的媒體行業(yè)做出反饋。Scott Suzanne等認(rèn)為，盡管粉絲資助行為有可能催生行業(yè)和文化變革的作品，且在一定程度上影響媒體產(chǎn)業(yè)和粉絲文化，但我們需要審視這種變革干預(yù)的局限性，檢查粉絲金融、情感和創(chuàng)新投資各自的活動(dòng)框架。盡管粉絲性質(zhì)的項(xiàng)目具備了在媒介文化上再造生產(chǎn)商和粉絲之間的道德經(jīng)濟(jì)。然而，其變革能力關(guān)系到他們接受或拒絕“粉絲參與”（fan participation）這個(gè)工業(yè)概念。[23]

互聯(lián)網(wǎng)協(xié)議電視（IPTV）和在線視頻點(diǎn)播（VOD）等視頻播放渠道的發(fā)展，正在使電影發(fā)行轉(zhuǎn)變?yōu)橐环N同步的結(jié)構(gòu)。Kaeun Song等在這些變化的市場(chǎng)條件下，分析了電影票房、IPTV和VOD服務(wù)的驅(qū)動(dòng)因素，以確立新的發(fā)行模式。他們使用彈性理論，考慮不同的消費(fèi)者風(fēng)險(xiǎn)，來解釋當(dāng)面對(duì)不同程度和風(fēng)險(xiǎn)類型時(shí)，電影消費(fèi)者如何在不同的電影播放渠道表現(xiàn)出不同的行為。他們將電影選擇的前提分為合理的（風(fēng)險(xiǎn)對(duì)沖）因素，如觀眾評(píng)價(jià)、場(chǎng)景熟悉度、明星效應(yīng)、出品國(guó)家，以及不合理的（誘人的）因素，包括專家評(píng)級(jí)和類型。[24]

六、文化批評(píng)和文本分析

在《美國(guó)魔力2.0》一文中，F(xiàn)riedman Alice T.指出，魅力分層概念（the layered notion of glamour），這個(gè)20世紀(jì)中期電影、建筑和流行文化耳熟能詳?shù)男g(shù)語，與當(dāng)今社交媒體的超級(jí)公共世界（hyperpublic world）、網(wǎng)絡(luò)形象建構(gòu)和市場(chǎng)細(xì)分之間的關(guān)聯(lián)性與日俱增。長(zhǎng)期以來，好萊塢形象的創(chuàng)造和消費(fèi)，光鮮的廣告復(fù)制，對(duì)于敘事結(jié)構(gòu)、投射、表現(xiàn)和自我評(píng)估具有長(zhǎng)期侵入的過程。這與我們的定制化Instagram信息流、“Facebook嫉妒”（Facebook envy）和其他形式的數(shù)字傳播、接收和監(jiān)視等文化方式有著重要的相似之處。越來越多的當(dāng)代公共空間被塑造成一個(gè)用于生產(chǎn)和消費(fèi)這些數(shù)據(jù)的平臺(tái)；隨之而來的是監(jiān)視技術(shù)的發(fā)展和建立可防御的私人空間都給物理和網(wǎng)絡(luò)環(huán)境的設(shè)計(jì)者帶來了新的挑戰(zhàn)。[25]此外，有研究者采用機(jī)器學(xué)習(xí)技術(shù)分析電影腳本的敘事流和敘事結(jié)構(gòu)，從而探討敘事模式。

七、結(jié)論

從近年來的研究成果來看，大數(shù)據(jù)在電影產(chǎn)業(yè)得到廣泛應(yīng)用。我們應(yīng)當(dāng)借鑒這些觀點(diǎn)，為電影研究提供新的視野和路徑。

（1）社交媒體是電影大數(shù)據(jù)研究的核心。Twitter、Facebook、YouTube、博客和微博等平臺(tái)是主要數(shù)據(jù)來源。用戶在社交媒體的CEB和UGC等行為，為票房預(yù)測(cè)、市場(chǎng)營(yíng)銷、情感分析和智能推薦等研究提供了巨大的數(shù)據(jù)支持，使電影產(chǎn)業(yè)的預(yù)測(cè)和營(yíng)銷獲得了更為有效的工具。不過，基于Google或百度等搜索引擎平臺(tái)的研究較少。雖然中國(guó)研究者貢獻(xiàn)了近20%的文獻(xiàn)。但是，對(duì)中國(guó)社交媒體的針對(duì)性研究，除微博外，其他主流平臺(tái)較少涉及。

（2）雅虎電影社區(qū)、Blockbuster.com等專業(yè)電影平臺(tái)也成為數(shù)據(jù)的重要來源。由于電影經(jīng)濟(jì)的特殊性和復(fù)雜性，跨平臺(tái)數(shù)據(jù)的混合研究，能夠在數(shù)據(jù)和效果上，提供更好的解決方案。

（3）從研究地域來看，出現(xiàn)了跨國(guó)市場(chǎng)研究。全球性的互聯(lián)網(wǎng)平臺(tái)為此提供了便利。近年來，中國(guó)電影市場(chǎng)是全球最活躍的市場(chǎng)，而且擁有發(fā)達(dá)的互聯(lián)網(wǎng)媒體和數(shù)據(jù)平臺(tái)。對(duì)于中國(guó)電影市場(chǎng)及其與其他國(guó)家的跨國(guó)研究，是一個(gè)非常有潛力的領(lǐng)域。

（4）從學(xué)科分布來看，計(jì)算機(jī)專業(yè)是電影大數(shù)據(jù)研究的主要領(lǐng)域。人文社會(huì)科學(xué)與計(jì)算機(jī)等跨學(xué)科結(jié)合，成為研究的一個(gè)新動(dòng)向。越來越多的基于大數(shù)據(jù)的跨學(xué)科研究機(jī)構(gòu)產(chǎn)生。一些利用大數(shù)據(jù)的文化和文本研究呈現(xiàn)出新的活力。

（5）從方法論來看，多變量融合是解決復(fù)雜電影問題的一種有效途徑。而將大數(shù)據(jù)研究納入經(jīng)典理論框架之中，也是一種常見模式。

（6）與電視和互聯(lián)網(wǎng)結(jié)合的跨媒體研究，目前主要集中在IPTV和VOD等與電影發(fā)行相關(guān)的研究上。對(duì)于電影在視頻網(wǎng)站的長(zhǎng)期性研究，以及消費(fèi)產(chǎn)品授權(quán)的研究較少。隨著人工智能技術(shù)的發(fā)展，大數(shù)據(jù)研究將在這些方面提供更多的突破。

（7）雖然是大數(shù)據(jù)研究，但是，當(dāng)前的研究樣本很多沒有與主流商業(yè)數(shù)據(jù)有效對(duì)接，數(shù)據(jù)量比較小。只有實(shí)現(xiàn)即時(shí)數(shù)據(jù)的分析，電影大數(shù)據(jù)研究才會(huì)有更好的結(jié)果。

[本文為國(guó)家社科基金重大項(xiàng)目“當(dāng)代中國(guó)文化國(guó)際影響力的生成研究”（項(xiàng)目編號(hào)：16ZDA219）；上海市新聞傳播高原學(xué)科課題成果]

參考文獻(xiàn)：

[1]Oh Chong，etc.Beyond likes and tweets：Consumer engagement behavior and movie box office in social media.Information & Management. 2017，54（1）：25-37.

[2]Huang Jianxiong，etc.A Temporal Study of the Effects of Online Opinions：Information Sources Matter.Journal of Management Information Systems.2017，34（4）：1169-1202.

[3]Baek Hyunmi，etc.Electronic word-of-mouth，box office revenue and social media.Electronic Commerce Research & Applications.2017（22）13-23.

[4]Ding Chao，etc.The Power of The“l(fā)ike”Button：The Impact of Social Media on Box Office.Decision Support Systems.2017，94：77-84.

[5]Oh Sehwan，etc.Predictive value of video-sharing behavior：sharing of movie trailers and box-office revenue.Internet Research.2017，27（3）：691-708.

[6]Kim Sang Ho，etc.Exploring the Effects of Online Word of Mouth and Expert Reviews on Theatrical Movies' Box Office Success.Journal of Media Economics.2013，26（2）：98-114.

[7]Rui Huaxia，etc.Whose and what chatter matters？The effect of tweets on movie sales.Decision Support Systems.2013，55（4）：863-870.

[8]Kim Eun，etc.Online movie success in sequential markets.Telematics and Informatics.2017，34（7）：987-995.

[9]Kestutis Cerniauskas，etc.The effect of film sharing on P2P networks on box office sales.Blekinge Institute of Technology，2017.

[10]Sattelberger Felix.Optimising Media Marketing Strategies in a Multi-platform World：an Inter-relational Approach to Pre-release Social Media Communication and Online Searching.Journal of Media Business Studies.2015，12（1）：66-88.

[11]Nanda Madhumita，etc.Innovation in social media strategy for movie success.Management Decision.2018，56（1）：233-251.

[12]Weisfeld-Spolter Suri，etc.An Integrative Approach to eWOM and Marketing Communications.Corporate Communications：An International Journal.2014，19（3）：260-274.

[13]Chen Kun，etc.Information Competition in Product Launch： Evidence from the Movie industry.Electronic Commerce Research & Applications.2017（26）81-88.

[14]Yeujun Yoon，etc.The Impact of Word of Mouth via Twitter On Moviegoers' Decisions and Film Revenues：Revisiting Prospect Theory.Journal of Advertising Research.2017，57（2）：144-158.

[15]Gopinath Shyam，etc.Blogs，Advertising，and Local-Market Movie Box Office Performance.Management Science.2013，59（12）：2635-2654.

[16]Escoffier Nadine，etc.The Wisdom of Crowds in the Movie Industry：Towards New Solutions to Reduce Uncertainties.International Journal of Arts Management.2015，17（2）：52-63.

[17]Chen Hongyu，etc.De-Biasing the Reporting Bias in Social Media Analytics.Production & Operations Management.2016，25（5）：849-865.

[18]Lee Young-Jin，etc.Do I Follow My Friends or The Crowd？Information Cascades in Online Movie Ratings.Management Science.2015，61（9）：2241-2258.

[19]Flanagin Andrew，etc.Trusting Expert- versus User-generated Ratings Online.Computers in Human Behavior.2013，29（4）：1626-1634.

[20]Jong HyupLee，etc.The role of entropy of review text sentiments on online WOM and movie box office sales.Electronic Commerce Research and Applications.2017（22）42-52.

[21]Oh Sanghee，etc.Motivations for sharing information and social support in social media.Journal of the Association for Information Science & Technology.2015，66（10）：2045-2060.

[22]Dixon Prem Daniel R，etc.A latent factor model based movie recommender using smartphone browsing history.International Conference on Research and Innovation in Information Systems.July，2017：1-6.

[23]Scott Suzanne，etc.The moral economy of crowdfunding and the transformative capacity of fan-ancing.New Media & Society.2015，17（2）：167-182.

[24]Kaeun Song，etc.Dissecting movie performance across multiple distribution channels：An elastic justification theory perspective.Telematics and Informatics. 2018，35（1）：159-167.

[25]Friedman Alice T.American Glamour 2.0：architecture，spectacle，and social media.Consumption，Markets & Culture.Dec2017，Vol. 20 Issue 6，p575-584.

（海闊為上海大學(xué)新聞傳播學(xué)院副教授；海翔宇為上海大學(xué)新聞傳播學(xué)院碩士生）

編校：趙〓亮