IP因子在早期电影票房预测中的影响研究
发布时间：2021-01-11 21:50
近年来,国内外学者对电影票房的研究相对较多。在业界,根据所选自变量数据的性质,可以把对电影票房的预测分为早期预测和实时预测。早期预测所需数据来自于电影本身,实时预测所需数据多数和电影没有关系。早期预测可以在电影拍摄之前对电影票房做一个大致评估,从而规避投资风险,获取最大化的利益。本论文主要研究早期电影票房的影响因子,并进行早期电影票房的预测。通过参考大量国内外学者的研究成果并结合中国电影票房市场的具体特点,发现随着IP（Intellectual Property,IP）电影热的兴起,根据优质IP改编成的电影成为拉动电影票房的新生力量。因此国内学者把IP改编作为影响早期电影票房的因子加以验证,结果证明根据IP改编的电影与电影票房有正相关。但由于IP改编变量的处理方法比较简单,仅用二进制代表是否IP改编。由于IP改编变量的处理方法比较困难,如何合理的量化IP因子是一个重点工作。因此本文提出基于改进的贝叶斯投票机制来量化IP改编的影响度,这里把它称为IP品质,把IP品质加入到影响早期电影票房的因素中。最后选取电影票房预测中三种有代表性的模型,分别是多元线性回归（Multiple Linear...
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
011-2017我国电影票房收入01002011年2012年2013年2014年2015年2016年2017年
图 2-1 支持向量与间隔Figure 2-1 Support vector and interval建立优化目标方程，若要找到间隔最大的划分超平面，可以转也就是求下面(2-9)公式的带约束的最优化问题：2,||||21min wwbs. t.y( wx b) 1,iTii 1,2,...,m这些就是支持向量机最基本的思想，通过上面分析可以得到的解与其他的训练点没什么关系，只与“支持向量”的分布情的划分仅与支持向量的分布有关系。持向量机的拉格朗日对偶问题述的基本模型中，发现这个目标函数是一个二次的，因为它的，所以它是一个凸的二次规划问题。对于这个问题的求解一般格朗日对偶问题来获得最优解。具体步骤如下所示：
图 2-2 神经元模型Figure 2-2 Neuron model上图 2-2 是单个神经元的基本结构图，其中 x1,x2,...xn分别表示神经，wi1,wi2,...,win分别表示神经元之间的链接权值，神经元经过计算果到下一层神经元。计算过程很简单，将每个输入加权并求和，然定的激活函数处理后从而得到神经元的输出。它的计算公式如(2()...11112233yfAAwxwxwxwxnn 下图 2-3 是一个标准的三层神经网络的结构图，三层分别是输入层、输出层。相邻的两层神经元间互相联接，并且都有各自的权重之外，隐藏层和输出层的每个神经元上都有一个激活函数。使用数单描述每个神经元的工作如下：（1）输出数据 X；（2）将数据 X 加权并求和 Z=W*X；
【参考文献】：
期刊论文
[1]中国IP影视剧改编现状研究[J]. 熊芳. 西安电子科技大学学报(社会科学版). 2017(02)
[2]中国电影市场由高速发展转为稳步增长——2016年电影市场综述[J]. 谢世明. 中国电影市场. 2017(02)
[3]“IP”改编电影与其市场表现分析[J]. 李宏宇. 中国电影市场. 2016(12)
[4]互联网+IP如何深度挖掘IP价值[J]. 袁国宝. 互联网经济. 2016(08)
[5]著作权视角下的IP改编与影视产业发展[J]. 徐霞. 现代视听. 2016(06)
[6]《机器学习》[J]. 周志华. 中国民商. 2016(03)
[7]我国中小成本电影票房的影响因素研究——基于100部电影的实证分析[J]. 郭新茹,王桢,张楠. 文化产业研究. 2015(03)
[8]基于神经网络的电影票房预测建模[J]. 郑坚,周尚波. 计算机应用. 2014(03)
[9]电影票房的影响因素分析——基于Logit模型的研究[J]. 王铮,许敏. 经济问题探索. 2013(11)
[10]基于回归分析的中国电影票房影响因素研究[J]. 崔凝凝,唐嘉庚. 江苏商论. 2012(08)
硕士论文
[1]中国电影票房的影响因素及其实证研究[D]. 聂鸿迪.北京交通大学 2015
[2]中国电影市场档期选择策略研究[D]. 张诗逸.中国电影艺术研究中心 2014
[3]网络口碑对于电影票房的影响研究[D]. 马艳茹.首都经济贸易大学 2014
[4]基于粗糙集与支持向量机的票房预测研究[D]. 赵伟.大连理工大学 2009
本文编号：2971535
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
011-2017我国电影票房收入01002011年2012年2013年2014年2015年2016年2017年
图 2-1 支持向量与间隔Figure 2-1 Support vector and interval建立优化目标方程，若要找到间隔最大的划分超平面，可以转也就是求下面(2-9)公式的带约束的最优化问题：2,||||21min wwbs. t.y( wx b) 1,iTii 1,2,...,m这些就是支持向量机最基本的思想，通过上面分析可以得到的解与其他的训练点没什么关系，只与“支持向量”的分布情的划分仅与支持向量的分布有关系。持向量机的拉格朗日对偶问题述的基本模型中，发现这个目标函数是一个二次的，因为它的，所以它是一个凸的二次规划问题。对于这个问题的求解一般格朗日对偶问题来获得最优解。具体步骤如下所示：
图 2-2 神经元模型Figure 2-2 Neuron model上图 2-2 是单个神经元的基本结构图，其中 x1,x2,...xn分别表示神经，wi1,wi2,...,win分别表示神经元之间的链接权值，神经元经过计算果到下一层神经元。计算过程很简单，将每个输入加权并求和，然定的激活函数处理后从而得到神经元的输出。它的计算公式如(2()...11112233yfAAwxwxwxwxnn 下图 2-3 是一个标准的三层神经网络的结构图，三层分别是输入层、输出层。相邻的两层神经元间互相联接，并且都有各自的权重之外，隐藏层和输出层的每个神经元上都有一个激活函数。使用数单描述每个神经元的工作如下：（1）输出数据 X；（2）将数据 X 加权并求和 Z=W*X；
【参考文献】：
期刊论文
[1]中国IP影视剧改编现状研究[J]. 熊芳. 西安电子科技大学学报(社会科学版). 2017(02)
[2]中国电影市场由高速发展转为稳步增长——2016年电影市场综述[J]. 谢世明. 中国电影市场. 2017(02)
[3]“IP”改编电影与其市场表现分析[J]. 李宏宇. 中国电影市场. 2016(12)
[4]互联网+IP如何深度挖掘IP价值[J]. 袁国宝. 互联网经济. 2016(08)
[5]著作权视角下的IP改编与影视产业发展[J]. 徐霞. 现代视听. 2016(06)
[6]《机器学习》[J]. 周志华. 中国民商. 2016(03)
[7]我国中小成本电影票房的影响因素研究——基于100部电影的实证分析[J]. 郭新茹,王桢,张楠. 文化产业研究. 2015(03)
[8]基于神经网络的电影票房预测建模[J]. 郑坚,周尚波. 计算机应用. 2014(03)
[9]电影票房的影响因素分析——基于Logit模型的研究[J]. 王铮,许敏. 经济问题探索. 2013(11)
[10]基于回归分析的中国电影票房影响因素研究[J]. 崔凝凝,唐嘉庚. 江苏商论. 2012(08)
硕士论文
[1]中国电影票房的影响因素及其实证研究[D]. 聂鸿迪.北京交通大学 2015
[2]中国电影市场档期选择策略研究[D]. 张诗逸.中国电影艺术研究中心 2014
[3]网络口碑对于电影票房的影响研究[D]. 马艳茹.首都经济贸易大学 2014
[4]基于粗糙集与支持向量机的票房预测研究[D]. 赵伟.大连理工大学 2009
本文编号：2971535
本文链接：https://www.wllwen.com/wenyilunwen/dianyingdianshilunwen/2971535.html
