居民對國產(chǎn)科幻電影的消費輿情分析及票房預測

周杰　梁佳雯　何加豪

摘要：2019年年初，以《流浪地球》為代表的一股科幻潮流席卷中國。截止2019年3月1日，其票房已達44.50億。為了研究居民對國產(chǎn)科幻電影的消費情緒，文章選取了電影產(chǎn)地、時長、上映日期、上映首日評分、上映首日評論人次和主演六種影響因素，運用決策樹（Decision Tree）和隨機森林（Random Forest）算法對國產(chǎn)科幻電影的影響因素進行了深度挖掘。最終以《流浪地球》為例，進行實證分析，從而證明了模型的有效性。

關鍵詞：科幻電影;隨機森林;消費輿情;AHP加權平均法

一、文獻綜述

最早的電影票房影響因素研究可追溯到20世紀中期，為經(jīng)驗性研究。主要有蓋洛普對觀影觀眾進行經(jīng)驗性測定，尋找觀眾感興趣內(nèi)容。后期，學者開始建立模型，對電影票房影響因素進行量化研究。如王錚，徐敏基于Logit模型對電影票房影響因素進行研究，得出續(xù)集、評分、票價、檔期、明星和導演均對票房產(chǎn)生積極影響。在國內(nèi)學者王麗娟的研究中，電影票房預測可分為“觀眾研究”、“預測模型”、”更高效的預測模型”三個階段。然而即便到了預測模型更高效的第三階段，研究者們?nèi)灾饕詥我灰蜃舆M行票房預測，并且采取的數(shù)據(jù)樣本較少。西方電影票房的預測通過分析樣本中影響電影票房因素的數(shù)據(jù)來實現(xiàn)，但其基本以好萊塢電影為樣本，以預測美國或北美的票房為目標，很少關注其他國家的情況。

本文以國產(chǎn)科幻電影為研究對象，研究國內(nèi)居民對國產(chǎn)科幻電影的消費需求，同時在最后給出了相應的票房預測實證分析。

二、研究方法

本研究在前人的基礎上，采用了機器學習與大數(shù)據(jù)分析相結合的方法，將變量深度量化，以獲得對國產(chǎn)科幻電影影響顯著的因素并預測其票房。

（一）數(shù)據(jù)獲取

在數(shù)據(jù)獲取上，使用python的scrapy爬蟲框架、selenium包和fiddle軟件分別爬取網(wǎng)頁和手機app中的相關資料，并結合分布式網(wǎng)絡爬蟲技術，高效快捷的從貓眼電影、微博等平臺中爬取海量有效資源。

（二）方法選取

1. 決策樹CART（Classification And Regression Trees）算法

決策樹算法是一類常用的機器學習算法，是基于樹形結構來進行決策的。設有數(shù)據(jù)集D，X、Y分別為輸入和輸出變量，其中Y是連續(xù)變量（回歸模型）。包含m個樣本的數(shù)據(jù)集D可以表示為：

找到最優(yōu)的切分點（j，s）之后，切分點就能將集合切分成總損失最小的兩部分。對于切分出來的區(qū)域在重復遞歸這樣的劃分過程，直到滿足條件為止。

2. 隨機森林回歸算法

隨機森林算法是一種重要的基于Bagging的集成學習方法。隨機森林可以解釋若干自變量（X1，X2，…XK）對因變量Y的作用。如果因變量Y有n 個觀測值，有k個自變量與之有關;在構建分類回歸樹的時候，隨機森林會隨機的在原數(shù)據(jù)中重新選擇n個觀測值，其中有的觀測值被選了多次。同時，隨機森林隨機地從k個自變量選擇部分變量進行分類樹節(jié)點的確定。這樣，每次構建的分類樹都可能不一樣。一般情況下，隨機森林會隨機的生成幾百個至幾千個分類樹，然后選擇重復度最高的樹作為最終的結果。

三、影響因素的指標性選擇

對于影響因素的選擇，本文采用逐步回歸法，將變量逐個引入模型，每引入一個變量都進行F檢驗和該解釋變量的t檢驗，當后面引入的變量使得原先的變量不顯著時，刪除該變量，以此確保每次引入的變量都是最優(yōu)的。在研究前人的結論后得出，相關因素可能有電影時長、電影評分、評分人次、電影是產(chǎn)自中國、美國、日本、還是俄羅斯、上映時間是在春節(jié)期間（S1）、黃金周（S2）、還是暑假（S3）。經(jīng)過逐步回歸后，我們篩選出顯著性水平較高的相關影響因素。

四、科幻電影票房預測

（一）科幻電影影響因素量化

1. 對上映日期的量化

根據(jù)電影上映的檔期不同將其分為三個檔期：賀歲檔、黃金周（五一、十一黃金周）、暑期檔。分別用S1，S2，S3三個虛擬變量來量化電影上映的檔期。

S1=1，賀歲檔上映0，其他;S2=1，黃金周上映0，其他;

S3=1，暑期檔上映0，其他

2. 對時長、上映首日評分、上映首日評論人次的量化

以分鐘為單位，從貓眼電影平臺上爬取近五年國產(chǎn)電影的上映首日的評分，并將評分化成十分制。從貓眼電影平臺上爬取近五年國產(chǎn)電影上映首日的評論人次，并將該數(shù)字轉化為以萬為單位。

3. 對主演的量化：AHP加權平均法

層次分析法簡稱AHP，在20世紀70年代中期由美國運籌學家托馬斯·塞蒂正式提出。本論文在對主演進行量化時，搜集了該演員近兩年來出演電影的票房并加以平均，以此作為衡量該演員的指標。在分析中，若演員個數(shù)大于5，則選擇能力值前5的演員;若小于等于5，則包含全部演員。定義演員陣容的影響如下：

演員陣容=∑演員綜合票房×權重

構造成對比較矩陣，根據(jù)演員能力值的大小確定，按能力值從大到小，影響程度設為9，7，5，…。假設演員為兩名時，權重分別為0.6和0.4。建立的權重結果如表1所示。

（二）建立決策樹與隨機森林模型

1. 建立決策樹模型

（1）特征選擇。特征選擇的目的是使得分類后的數(shù)據(jù)集比較純，這里就需要引入數(shù)據(jù)純度函數(shù)。此處我們選取基尼系數(shù)作為衡量數(shù)據(jù)集純度的指標，其公式為：

在模型初步建立時，我們選取“時長”、“類型”、“評分”、“評論人次”、“上映時間段”、“主演”作為特征，計算數(shù)據(jù)集的基尼系數(shù)增益值。

（2）隨機森林回歸模型。在機器學習中，隨機森林是一個包含多個決策樹的分類器，并且其輸出的類別是由個別樹輸出的類別的眾數(shù)而定。本文基于前文提到的特征，建立出電影票房預測模型。

2. 參數(shù)分類

調(diào)參的目標就是為了達到整體模型的偏差和方差最優(yōu)化。進一步，這些參數(shù)又可分為兩類：過程影響類、子模型影響類。在子模型不變的前提下，某些參數(shù)可以通過改變訓練的過程，從而影響模型的性能，諸如：“子模型數(shù)（n_estimators）”、“學習率（learning_rate）”等。另外，我們還可以通過改變子模型性能來影響整體模型的性能，諸如：“最大樹深度（max_depth）”、“分裂條件（criterion）”等。

3. 參數(shù)調(diào)整

（1）對過程類參數(shù)進行調(diào)整。參數(shù)n_estimators表示弱學習器的最大迭代次數(shù)。一般來說，n_estimators太小容易欠擬合;n_estimators太大，隨之帶來的計算量也就變大，運算成本會大幅度提高。并且n_estimators達到一定數(shù)量后，在增大n_estimators獲得的模型提升會很小。因此，選擇一個最優(yōu)的n_estimators對模型的建立至關重要。

基于所選取的六個特征向量（變量），我們將參數(shù)n_estimators的范圍設定在1～200之間，并以1為步長進行200次迭代，進而比較模型對電影總票房的預測精確率，如圖1所示。

通過觀察圖1可以發(fā)現(xiàn)，隨著n_estimators的增加，模型預測的準確率會快速增加，但隨著n_estimators值的進一步增大，模型的精確率并沒有多大改變而是處于一個區(qū)間震蕩。

（2）對子模型影響類參數(shù)進行調(diào)整。參數(shù)max_depth表示在建立子樹時候的深度。經(jīng)過初步的篩選，我們已將max_depth的范圍限定在1～10，并以2為步長進行多次迭代。通過對比精確度的高低得到最優(yōu)參數(shù)值，如圖2所示。

觀察圖2可發(fā)現(xiàn)，隨著max_depth的增加，模型的精確度有了顯著的提高。但當max_depth被賦予的參數(shù)進一步增大時模型的精度并沒有進一步提升，而是處于恒定值不變。將參數(shù)n_estimators與參數(shù)max_depth結合后進一步比較發(fā)現(xiàn)：固定max_depth參數(shù)不變時，n_estimators取值在（0，75）之間時，精確度的波動性較大，當n_estimators取值大于75時，模型精確度近乎不變;固定n_estimators參數(shù)不變時，當max_depth參數(shù)取值從1過度到3時，模型的精確度有了顯著提升，但當max_depth取值在（3，10）之間時，模型精確度并沒有太大提升。出于降低計算量考慮，通過圖2可將這兩個參數(shù)值分別設置為n_estimators=175、max_depth=7。

4. 參數(shù)可行性檢驗

調(diào)參的最終目的是使模型精度的方差最優(yōu)化，即得到一組方差最小的參數(shù)組合。由于方差的比較會受到數(shù)據(jù)量級的影響，因此，此處我們選取精確度的變異系數(shù)作為參數(shù)優(yōu)劣的指標。

通過觀察圖3容易發(fā)現(xiàn)，變異系數(shù)會隨著n_estimators的增大而減小，最終趨向于某一個值;變異系數(shù)同樣會隨著max_depth的增大而減小，并且同樣趨向于某一個值。因而，前文所選取的參數(shù)值滿足參數(shù)調(diào)優(yōu)的要求，并且在現(xiàn)有變量條件下可以認為是最優(yōu)參數(shù)值。

從近五年國產(chǎn)影片的可用數(shù)據(jù)中隨機篩選25條數(shù)據(jù)作為測試集對建立的模型進行預測。觀察圖4發(fā)現(xiàn)，電影票房的預測值與真實值之間擬合較好，并且計算機反饋出的模型精確率達到86.1%左右，已經(jīng)處于一個很高的水平。進一步證明了所建模型具有很高的可用性。

五、實證分析

為了檢驗模型的可行性，本文對用最新上映的國產(chǎn)科幻電影《流浪地球》為例，從票房的預測面進行實證分析。

（一）數(shù)據(jù)的獲取與量化

利用python網(wǎng)絡爬蟲分別從貓眼電影、微博、藝恩網(wǎng)上爬取所需要的數(shù)據(jù)并進行量化，量化結果如下。

1.片長

從貓眼電影平臺上獲取該電影片長為128分鐘。

2.上映日期

該電影上映的日期為2019年2月5日，屬于春節(jié)賀歲檔類型。

3.首日評分

貓眼平臺反饋的評分信息為9.3。

4.首日評論數(shù)

以貓眼電影提供的數(shù)據(jù)為準。

5.演員

該電影的主演分別是吳京、屈楚蕭、李光潔、吳孟達、趙今麥。

（二）模型建立與預測

利用本文建立的隨機森林模型，調(diào)整參數(shù)max_depth=7，n_estimators=175至最優(yōu)，得到《流浪地球》電影票房的預測值為43.11億。參照貓眼電影給出的估計值47.52億作為真實值進行比較。誤差在7%左右，處于可以接受的范圍內(nèi)。

（三）預測結果分析

通過上述結果可知《流浪地球》是一部新年賀歲檔，且依據(jù)上映首日的相關數(shù)據(jù)，可以推測這是一部極具吸引力的影片，具有很大的市場。因此，影院可以加大對《流浪地球》的排片場次，加大宣傳力度。

參考文獻：

[1]蘇·奧默爾，蘇紋.測定愿望：蓋洛普和好萊塢的觀眾研究[J].世界電影1992（04）：81-119.

[2]王錚，許敏.電影票房的影響因素分析——基于Logit模型的研究[J].經(jīng)濟問題探索，2013（11）：96-102.

[3]Li Zhuang， Feng Jing， Xiao-Yan Zhu. Movie Review Mining and Summarization[C]//Proceedings of the ACM 15th Conference on Information and Knowledge Management.ACM，2006.

[4]方匡南，吳見彬，朱建平，et al.隨機森林方法研究綜述[J].統(tǒng)計與信息論壇，2011，26（03）：32-38.

[5]周元嬌.篩選逐步回歸方法的改進研究[D].揚州：揚州大學，2011.

*本文為江蘇省大學生創(chuàng)新創(chuàng)業(yè)訓練計劃國家級立項——“基于NPL的A股市場輿情監(jiān)控及其量化投資策略研究”（項目編號：SZDG2019039）成果之一。

（作者單位：南京郵電大學）