基于BP神經(jīng)網(wǎng)絡(luò)的收視率預(yù)測(cè)

鄔麗云,曲洲青

(1.中國(guó)傳媒大學(xué) 理學(xué)院,北京 100024;2.中國(guó)傳媒大學(xué)計(jì)算機(jī)學(xué)院,北京 100024)

基于BP神經(jīng)網(wǎng)絡(luò)的收視率預(yù)測(cè)

鄔麗云1,曲洲青2

(1.中國(guó)傳媒大學(xué) 理學(xué)院,北京 100024;2.中國(guó)傳媒大學(xué)計(jì)算機(jī)學(xué)院,北京 100024)

目前行業(yè)內(nèi)預(yù)測(cè)收視率的方法均沒有考慮收視率自身的長(zhǎng)期相對(duì)穩(wěn)定的特點(diǎn),導(dǎo)致預(yù)測(cè)結(jié)果精度不夠。本文利用人工神經(jīng)網(wǎng)絡(luò)所具有的學(xué)習(xí)記憶功能及自適應(yīng)、容錯(cuò)性好的特點(diǎn),設(shè)計(jì)了電視收視率預(yù)測(cè)系統(tǒng)的指標(biāo)體系,建立了基于BP神經(jīng)網(wǎng)絡(luò)的收視率預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明,應(yīng)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)的節(jié)目收視率數(shù)據(jù)精度較高。

收視率;預(yù)測(cè);BP神經(jīng)網(wǎng)絡(luò)

1 引言

在當(dāng)今信息社會(huì),電視收視率不僅是電視節(jié)目的測(cè)評(píng)標(biāo)準(zhǔn),更是電視臺(tái)、制片商、廣告代理機(jī)構(gòu)和廣告主在電視節(jié)目經(jīng)營(yíng)和廣告投放方面的決策行為的重要參考指標(biāo)。目前行業(yè)內(nèi)對(duì)收視率預(yù)測(cè)有較多的研究,涉及的方法主要有多元線性回歸模型、決策樹理論及貝葉斯網(wǎng)絡(luò)等。不過,這些預(yù)測(cè)的方法大多數(shù)沒有考慮收視率數(shù)據(jù)自身的長(zhǎng)期穩(wěn)定性,因而預(yù)測(cè)的結(jié)果一般精度不夠高。本文提出了一種新的預(yù)測(cè)收視率數(shù)據(jù)的方法,即運(yùn)用人工神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘工具對(duì)電視節(jié)目的收視情況進(jìn)行預(yù)測(cè),通過建立收視率指標(biāo)體系的建立和預(yù)測(cè)模型,在電視節(jié)目播出之前利用相關(guān)的歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練,找到合適的網(wǎng)絡(luò)模型,對(duì)尚未播出的電視節(jié)目的收視數(shù)據(jù)做出預(yù)測(cè)性的輸出。

2 收視率預(yù)測(cè)指標(biāo)體系的建立

表1 收視率預(yù)測(cè)指標(biāo)體系

影響觀眾收視情況的因素可謂眾多且復(fù)雜,本文在參考大量文獻(xiàn)的基礎(chǔ)上,分析了影響收視率因素的邏輯結(jié)構(gòu),充分考慮了收視率面向觀眾、企業(yè)、電視臺(tái)等提供服務(wù)信息的特點(diǎn),在遵循全面性、系統(tǒng)性、可比性和科學(xué)性等指標(biāo)設(shè)計(jì)原則基礎(chǔ)上,建立了如表1的二級(jí)結(jié)構(gòu)的收視率預(yù)測(cè)指標(biāo)體系。

3 收視率預(yù)測(cè)系統(tǒng)模型的構(gòu)建

3.1 預(yù)測(cè)模型的選取

人工神經(jīng)網(wǎng)絡(luò)作為一種并行的計(jì)算模型,因其具有自學(xué)習(xí)、自組織和良好的容錯(cuò)性和非線性映射能力,受到眾多領(lǐng)域?qū)W者的關(guān)注和應(yīng)用,目前主要應(yīng)用于模式識(shí)別、數(shù)據(jù)分類、數(shù)據(jù)挖掘等方面。[3]而電視節(jié)目的收視率預(yù)測(cè)具有長(zhǎng)期相對(duì)穩(wěn)定的特點(diǎn),可以根據(jù)觀眾的歷史收視數(shù)據(jù)推測(cè)電視節(jié)目的收視情況。收視率與節(jié)目的所在頻道、包裝、播出時(shí)間、觀眾的特型等多種因素有緊密的關(guān)系,具有典型的非線性特征。[4]鑒于此,電視節(jié)目收視率的預(yù)測(cè)可以選用神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)模型。

3.2 BP神經(jīng)網(wǎng)絡(luò)的計(jì)算過程

BP(Back-Proragation)神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的一個(gè)典型模型,它是一種多層感知器結(jié)構(gòu),多年來受到各應(yīng)用領(lǐng)域的廣泛關(guān)注。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程是一個(gè)反復(fù)迭代的過程,由信號(hào)的正向傳播和誤差的反向傳播組成。BP算法的思想是,從輸入層輸入樣本數(shù)據(jù),經(jīng)各隱層計(jì)算處理后,傳向輸出層,然后再根據(jù)網(wǎng)絡(luò)輸出層的誤差,從輸出層開始,反過來調(diào)整網(wǎng)絡(luò)的權(quán)值和閥值,這樣周而復(fù)始地調(diào)整權(quán)值的過程直到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度,或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。對(duì)大量的樣本數(shù)據(jù)進(jìn)行“學(xué)習(xí)”后,網(wǎng)絡(luò)的各個(gè)權(quán)值便是網(wǎng)絡(luò)通過自適應(yīng)學(xué)習(xí)得到的正確的內(nèi)部表示,再將待識(shí)別樣本的特征數(shù)據(jù)輸入到已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)結(jié)構(gòu)中,則神經(jīng)網(wǎng)絡(luò)就可以對(duì)樣本的屬性進(jìn)行自動(dòng)的推理和識(shí)別。[3]

3.3 收視率預(yù)測(cè)系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

根據(jù)收視率預(yù)測(cè)指標(biāo)體系的結(jié)構(gòu),系統(tǒng)選用3層BP神經(jīng)網(wǎng)絡(luò)對(duì)收視率進(jìn)行預(yù)測(cè),網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。從網(wǎng)絡(luò)結(jié)構(gòu)模型中可以看到輸入層、隱含層和輸出層各層之間的各個(gè)神經(jīng)元實(shí)現(xiàn)全連接,而層內(nèi)的神經(jīng)元之間無連接。下面分層介紹該網(wǎng)絡(luò)結(jié)構(gòu)。

圖1 收視率預(yù)測(cè)系統(tǒng)的網(wǎng)絡(luò)模型

(1)輸入層:根據(jù)指標(biāo)體系表1,將最底層指標(biāo)數(shù)作為輸入層神經(jīng)元數(shù),即設(shè)置15個(gè)二級(jí)指標(biāo)為網(wǎng)絡(luò)輸入層的15個(gè)神經(jīng)元。

(2)隱含層:隱含層神經(jīng)元數(shù)目的選取關(guān)系到整個(gè)BP神經(jīng)網(wǎng)絡(luò)的精確度和學(xué)習(xí)效率。隱含層結(jié)點(diǎn)數(shù)選擇太少,會(huì)使得網(wǎng)絡(luò)的非線性映射功能和容錯(cuò)性較差;而若隱含層結(jié)點(diǎn)數(shù)選擇過多,又會(huì)導(dǎo)致學(xué)習(xí)時(shí)間增加,學(xué)習(xí)誤差也不一定最佳,影響學(xué)習(xí)效率。所以隱含層的節(jié)點(diǎn)數(shù)需要網(wǎng)絡(luò)在訓(xùn)練時(shí)確定。根據(jù)前人的經(jīng)驗(yàn)定律[5]:隱含層結(jié)點(diǎn)數(shù) =輸出層結(jié)點(diǎn)數(shù) +0.618(輸入結(jié)點(diǎn)數(shù)-輸出結(jié)點(diǎn)數(shù)),應(yīng)用這條定律可以確定隱含層神經(jīng)元數(shù)應(yīng)該在20個(gè)左右。

(3)輸出層:輸出層是隱含層通過傳遞函數(shù)得到的結(jié)果,輸出結(jié)果由這一層的神經(jīng)元表示。該模型在輸出層設(shè)置了6個(gè)神經(jīng)元,分別對(duì)應(yīng)5個(gè)一級(jí)指標(biāo)的評(píng)價(jià)預(yù)測(cè)結(jié)果以及1個(gè)最后的收視率預(yù)測(cè)結(jié)果。

4 實(shí)例計(jì)算與分析

在對(duì)訓(xùn)練樣本數(shù)據(jù)集的采集過程中,我們本著盡量使訓(xùn)練樣本集覆蓋各類的節(jié)目、覆蓋各電視臺(tái)、覆蓋各個(gè)播出時(shí)間段的原則,使樣本指標(biāo)值具有多樣性,這樣系統(tǒng)才能具有廣泛的適用性。對(duì)于每個(gè)樣本數(shù)據(jù),本文根據(jù)表1的評(píng)價(jià)體系把其對(duì)應(yīng)于15個(gè)二級(jí)評(píng)價(jià)指標(biāo),且由于神經(jīng)網(wǎng)絡(luò)的輸入是數(shù)值,所以還需要對(duì)各二級(jí)指標(biāo)的模糊評(píng)價(jià)量化,根據(jù)文獻(xiàn)對(duì)五個(gè)指標(biāo)的影響程度的不同,本文采用人們?nèi)粘Ｋ玫奈宸种?。比如指?biāo)播放時(shí)段X51,本文設(shè)黃金時(shí)間18:30-20:30中播出的節(jié)目X51為5,時(shí)段20:30-22:30中播出的節(jié)目X51為4,次黃金時(shí)間12:00-13:15和17:30-18:30時(shí)段中播出的節(jié)目的X51為3,依次類推 。[4]

在對(duì)訓(xùn)練樣本的數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練時(shí),考慮到網(wǎng)絡(luò)的規(guī)模和學(xué)習(xí)時(shí)間,網(wǎng)絡(luò)訓(xùn)練函數(shù)選用TRAINGDA函數(shù),適應(yīng)性學(xué)習(xí)函數(shù)選用LEARNGD函數(shù);網(wǎng)絡(luò)性能函數(shù)選用誤差平方和MSE函數(shù);網(wǎng)絡(luò)輸入層與隱含層以及隱含層與輸出層之間分別采用Tansig和Logsig作為傳遞函數(shù)。將預(yù)先選好的樣本數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)模型,設(shè)訓(xùn)練次數(shù)為1000次,訓(xùn)練的目標(biāo)為誤差小于等于0.001,經(jīng)過290次訓(xùn)練后,網(wǎng)絡(luò)的目標(biāo)誤差達(dá)到要求,誤差曲線如圖2所示。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成,可以用于后續(xù)的預(yù)測(cè)。

在網(wǎng)絡(luò)的訓(xùn)練完成后,本文選用2005年北京地區(qū)播出的10個(gè)電視節(jié)目作為測(cè)試對(duì)象,其中包括新聞、專題、體育、電視劇等各種節(jié)目類型,播出頻道也涉及了中央臺(tái)、北京臺(tái)、地方臺(tái)等主要電視臺(tái)。經(jīng)過對(duì)這10個(gè)節(jié)目進(jìn)行二級(jí)指標(biāo)體系的對(duì)照分類量化處理后,輸入神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中進(jìn)行測(cè)試,其結(jié)果如表2所示,誤差如圖3所示。通過誤差分析,可以肯定本文建立的收視率預(yù)測(cè)系統(tǒng)模型能夠滿足電視臺(tái)對(duì)節(jié)目收視率的預(yù)測(cè)需求,在誤差允許的范圍內(nèi)可以對(duì)收視率進(jìn)行有效預(yù)測(cè)。當(dāng)然,因?yàn)殡娨暪?jié)目是與時(shí)俱進(jìn)的,所以該模型在日后還需要定期添加新的樣本數(shù)據(jù)再訓(xùn)練才能保證預(yù)測(cè)結(jié)果的持續(xù)有效性。

圖2 訓(xùn)練誤差曲線

圖3 測(cè)試節(jié)目的誤差圖

5 結(jié)論

本文采用基于BP神經(jīng)網(wǎng)絡(luò)的收視率預(yù)測(cè)系統(tǒng)模型,經(jīng)過對(duì)系統(tǒng)模型訓(xùn)練和測(cè)試分析,預(yù)測(cè)的結(jié)果與實(shí)際收視率的誤差在 ±0.2%之間,證明了BP神經(jīng)網(wǎng)絡(luò)在收視率預(yù)測(cè)中的應(yīng)用是有效的。它可以為電視臺(tái)工作人員等在創(chuàng)建頻道和新節(jié)目上提供了很大的幫助,同時(shí)還能幫助電視臺(tái)在廣告時(shí)段預(yù)售時(shí)提供準(zhǔn)確的報(bào)價(jià)參考,減少了由于收視率沒有達(dá)到預(yù)期值的賠償幾率,更好地提高電視臺(tái)的經(jīng)濟(jì)效益和企業(yè)信譽(yù)。

表2 10個(gè)測(cè)試節(jié)目的五個(gè)一級(jí)指標(biāo)和收視率的預(yù)測(cè)值

[1]涂娟娟,劉同明.基于決策樹的電視節(jié)目收視率預(yù)測(cè)模型[J].微計(jì)算機(jī)信息,2007,23(9-3):251-252.

[2]張晶,白冰,蘇勇.基于貝葉斯網(wǎng)絡(luò)的電視節(jié)目收視率預(yù)測(cè)研究[J].科學(xué)技術(shù)與工程,2007,7(19):5099-5102.

[3]Monic Adya,Fred Collopy.How Effective are Neural Network at Forecasting and Prediction？A Review and Evaluation[J].Journal of Forecasting,1998,17:481-495.

[4]劉燕南.電視收視率解析:調(diào)查、分析與應(yīng)用;(第2版)[M].北京:中國(guó)傳媒大學(xué)出版社,2006.

[5]朱順泉,李一智.基于人工神經(jīng)網(wǎng)絡(luò)BP算法的公司債券財(cái)務(wù)質(zhì)量評(píng)級(jí)[J].計(jì)算機(jī)工程與應(yīng)用,2002,10:243-245.

The Prediction of Audience Rating Research Based on BP Networks

WU Li-yun1,QU Zhou-qing2

(1.College of Science,Communication University of China,Beijing 100024,China;2.Computer School,Communication University of China,Beijing 100024,China)

At present most prediction stradegies do not consider the characteristic of the rating of its own long-term stability,leading to lacking of accuracy.In view of the learning and memorizing function and the better self-adaptive feature of artificial neural network,we design a TV program audience rating predicting model based on artificial neural network.The experimental result shows that the BP neural network method have a higher precision than the others and is an effective predictive method.

audience rating;prediction;BP neural network.

TP389

A

1673-4793(2011)03-0059-04

2010-09-26

中國(guó)傳媒大學(xué)理科基金(YNG0811)

鄔麗云(1977-),女,山西人,中國(guó)傳媒大學(xué)講師.E-mail:wuliyun@cuc.edu.cn

(責(zé)任編輯

:王謙)