基于神經(jīng)網(wǎng)絡(luò)的視頻網(wǎng)站自制節(jié)目播放量的預(yù)測建模

李鑒橋，關(guān)虎，張樹武

(1.中國傳媒大學(xué) 信息工程學(xué)院，北京100024；2.中國科學(xué)院 自動化研究所數(shù)字內(nèi)容中心，北京 100190)

基于神經(jīng)網(wǎng)絡(luò)的視頻網(wǎng)站自制節(jié)目播放量的預(yù)測建模

李鑒橋1，關(guān)虎2，張樹武2

(1.中國傳媒大學(xué) 信息工程學(xué)院，北京100024；2.中國科學(xué)院 自動化研究所數(shù)字內(nèi)容中心，北京 100190)

自2005年起，由最初的低成本到如今的專業(yè)規(guī)?；?，我國視頻網(wǎng)站自制節(jié)目以其形式多元、內(nèi)容豐富成為眾多網(wǎng)民的新寵。本文選取五大視頻平臺，共101部數(shù)據(jù)進(jìn)行分析，提出了一套影響播放量的指標(biāo)體系，并且在該指標(biāo)體系基礎(chǔ)之上構(gòu)建了一套基于BP神經(jīng)網(wǎng)絡(luò)的播放量預(yù)測模型，同時針對神經(jīng)網(wǎng)絡(luò)波動性的特點，對預(yù)測模型進(jìn)行必要的改進(jìn)。該指標(biāo)體系和預(yù)測模型的研究能為節(jié)目上映前的投資、盈利提出更全面可靠的參考方案，對我國視頻產(chǎn)業(yè)的研究與發(fā)展有所裨益；而且，以該播放量預(yù)測模型為基礎(chǔ)，利用科學(xué)、合理的評估體系和方法，可以對視頻版權(quán)相關(guān)產(chǎn)品或服務(wù)進(jìn)行定價，有助于簡化并規(guī)范版權(quán)交易的詢價議價過程，科學(xué)合理地確定版權(quán)作品的創(chuàng)意附加值，對版權(quán)價值評估及版權(quán)交易的進(jìn)行具有重要指導(dǎo)意義。

影響因素量化；BP神經(jīng)網(wǎng)絡(luò)；播放量預(yù)測

1 引言

近年來，隨著網(wǎng)絡(luò)視頻競爭日益激烈，內(nèi)容同質(zhì)化態(tài)勢日趨嚴(yán)重，各大視頻網(wǎng)站紛紛試水自制內(nèi)容領(lǐng)域，自制內(nèi)容成為在線視頻網(wǎng)絡(luò)差異化競爭的策略[1]。自制節(jié)目憑借其成本低廉、制作靈活、互動性強(qiáng)等優(yōu)勢，越來越受到網(wǎng)民的追捧和廣告商的青睞[2]。好的自制節(jié)目能夠幫助視頻網(wǎng)站實現(xiàn)內(nèi)容差異化，增強(qiáng)用戶粘性，提升品牌與知名度，為視頻網(wǎng)站帶來可觀的版權(quán)收入[2]。視頻網(wǎng)站自制節(jié)目受追捧程度的主要衡量數(shù)據(jù)是視頻播放量[3]，而擁有較高的播放量，隨之而來的是更高的商業(yè)利潤。對視頻播放量進(jìn)行預(yù)測對投資決策具有重要的實際意義，同時能夠為視頻版權(quán)交易與價值評估工作打下堅實的技術(shù)基礎(chǔ)，能夠規(guī)范版權(quán)管理與交易市場。

對于版權(quán)價值評估，基本方法為收益法、市場法、成本法等[4]。在文化產(chǎn)業(yè)中，僅有電影領(lǐng)域有所涉及，對于預(yù)測方法大多數(shù)采用線性回歸以及BP神經(jīng)網(wǎng)絡(luò)而當(dāng)前對視頻網(wǎng)站自制節(jié)目進(jìn)行播放量預(yù)測的研究較少，相關(guān)的應(yīng)用更是罕見。因此，本文結(jié)合自制節(jié)目的特點，提出一種影響播放量預(yù)測的指標(biāo)體系，以及一種基于前向型神經(jīng)網(wǎng)絡(luò)的視頻網(wǎng)站自制節(jié)目播放量預(yù)測模型，并且針對于神經(jīng)網(wǎng)絡(luò)存在波動性的特點，對預(yù)測模型進(jìn)行改進(jìn)，使輸出結(jié)果更精準(zhǔn)，從而更好地服務(wù)于視頻網(wǎng)站產(chǎn)業(yè)發(fā)展。

2 影響因素分析與指標(biāo)的構(gòu)建

影響自制節(jié)目播放量的因素有很多，諸如：播出平臺、播出時長、制作公司、主持人、綜藝偏好等等?？傮w上可以將影響因素劃分為兩類，即：內(nèi)部因素和外部因素。這兩類因素共同構(gòu)成了播放量預(yù)測模型的一級指標(biāo)。在這兩個一級指標(biāo)之下，經(jīng)過研究和分析，又設(shè)置了13個二級指標(biāo)，分別是：節(jié)目嘉賓、是否為續(xù)集、播出時長、播出時間間隔、受眾定位、公眾影響、媒體關(guān)注、觀看期待、綜藝偏好等。結(jié)合中國當(dāng)下的市場特點，本文圍繞以下因素進(jìn)行分析。

2.1 主持人

主持人是支撐節(jié)目的核心人物，其語言風(fēng)格、形象個性等對節(jié)目走向起到直接的引導(dǎo)作用，所以將觀眾對主持人的熟知程度作為預(yù)測節(jié)目播放量的標(biāo)準(zhǔn)之一。

2.2 節(jié)目嘉賓

對于節(jié)目形態(tài)來說，除了單一的娛樂新聞播報節(jié)目，還有邀請明星加入的真人秀、訪談節(jié)目，嘉賓的人氣和知名度吸引著粉絲去觀看綜藝，這對播放量有著很重要的影響，所以將有無節(jié)目嘉賓作為預(yù)測節(jié)目播放量的標(biāo)準(zhǔn)之一。

2.3 制作公司

聯(lián)合出品的自制節(jié)目相對于獨立平臺出品的節(jié)目，前期投入的人力成本更大，通常來說，節(jié)目制作效果更好。所以將此作為預(yù)測節(jié)目播放量的標(biāo)準(zhǔn)之一。

2.4 是否為續(xù)集

對于一部即將上映的節(jié)目來說，由于節(jié)目本身的獨特性，很難做到還未播出就得到觀眾的認(rèn)可，但如果觀眾對節(jié)目的內(nèi)容較為熟悉和喜愛的話，比如續(xù)集綜藝，前期就積累了一大批的粉絲群，會在上映時得到粉絲較高的關(guān)注度和播放量，從而擴(kuò)大觀影影響。所以將是否為續(xù)集作為預(yù)測節(jié)目播放量的標(biāo)準(zhǔn)之一。

2.5 是否完結(jié)

對于正在上映的綜藝來說，隨著時間的推移、后續(xù)的播出從而產(chǎn)生的話題度，對綜藝的播放量會有很大的影響，并且綜藝屬于可以反復(fù)消費的產(chǎn)品，播出時間越長，播放量也會隨著時間的增長而增長。因此已播出完結(jié)的綜藝節(jié)目比正在上映的綜藝更有優(yōu)勢。所以將是否完結(jié)作為預(yù)測節(jié)目播放量的標(biāo)準(zhǔn)之一。

2.6 播出時長

通常情況下，綜藝的內(nèi)容越豐富，越多樣化，時長就越長，對觀眾的吸引力就越大。因此節(jié)目的時長也對播放量有著一定的影響。所以將播出時長作為預(yù)測節(jié)目播放量的標(biāo)準(zhǔn)之一。

2.7 播出時間間隔

綜藝最常見的播出間隔是周播，周播給綜藝的口碑營造創(chuàng)造了時間，觀眾會更有興趣觀看節(jié)目，而日播或者其他播出間隔所播出的節(jié)目具有時效性，過了時效期觀眾幾乎沒有興趣再去觀看。所以將播出時間間隔作為預(yù)測節(jié)目播放量的標(biāo)準(zhǔn)之一。

2.8 播出平臺

播放的平臺很大程度上決定著節(jié)目對觀眾的吸引能力，平臺靠著豐富的影視資源和優(yōu)秀的自制綜藝本身就吸引了一大批用戶，因此平臺的搜索指數(shù)越高，反映觀眾越多，反之觀眾越少，未來收益風(fēng)險越大。所以將播出平臺作為預(yù)測節(jié)目播放量的標(biāo)準(zhǔn)之一。

2.9 受眾定位

所謂受眾定位，即明確節(jié)目的目標(biāo)受眾，分為普適性定位和特殊性定位。普適性定位即針對廣大網(wǎng)絡(luò)視頻用戶普遍適用，而特殊性定位是指根據(jù)喜好、地域、年齡、性別等差異進(jìn)行的精準(zhǔn)定位，這一類偏向小眾化的播放量相對有局限性，所以將受眾定位作為預(yù)測節(jié)目播放量的標(biāo)準(zhǔn)之一。

2.10 公眾影響

綜藝播出后產(chǎn)生了話題度，吸引著觀眾進(jìn)行討論，討論量越多，綜藝對公眾的吸引程度就越高。同時綜藝越吸引人，觀眾越樂于在社交平臺上分享此節(jié)目，從而提高了節(jié)目的知名度，影響著播放量。所以將公眾影響作為預(yù)測節(jié)目播放量的標(biāo)準(zhǔn)之一。

2.11 媒體關(guān)注

通過市場媒體宣傳從而吸引觀眾的注意力，根據(jù)知曉效應(yīng)，對于一部綜藝節(jié)目，知曉的人越多，潛在的觀眾被挖掘的也越多，對觀眾的影響力越高，一般就能獲得越高的播放量。所以將媒體關(guān)注作為預(yù)測節(jié)目播放量的標(biāo)準(zhǔn)之一。

2.12 網(wǎng)絡(luò)口碑

在網(wǎng)綜業(yè)內(nèi)流傳著一句話，就是所謂的“初期靠宣傳、后期靠口碑”，可見網(wǎng)絡(luò)口碑對于一部綜藝的成功來說起到了非常重要的作用，豆瓣等之類的網(wǎng)站為觀眾提供了討論節(jié)目和評價節(jié)目的網(wǎng)絡(luò)平臺，從而初期形成的網(wǎng)絡(luò)口碑深刻影響著觀眾的觀看決策。所以將網(wǎng)絡(luò)口碑作為預(yù)測節(jié)目播放量的標(biāo)準(zhǔn)之一。

2.13 綜藝偏好

在綜藝節(jié)目播出后，綜藝偏好能夠很大程度地反映消費者對綜藝題材和內(nèi)容的感興趣程度。消費者對綜藝的偏好程度越高，在網(wǎng)站上的搜索量就越高，綜藝播放量就會越高。所以將綜藝偏好作為預(yù)測節(jié)目播放量的標(biāo)準(zhǔn)之一。

綜上所述可以得到視頻網(wǎng)站自制節(jié)目播放量評估指標(biāo)體系，如圖1所示。

圖1 視頻網(wǎng)站自制節(jié)目評估指標(biāo)體系

3 預(yù)測模型建立

對于文化產(chǎn)業(yè)的數(shù)據(jù)預(yù)測，通常采用多元線性回歸以及神經(jīng)網(wǎng)絡(luò)方法，而對于多元線性回歸方法而言，本文選取的影響指標(biāo)存在較強(qiáng)的共線性，且擬合度較差，所以此方法不適合于本文研究。

神經(jīng)網(wǎng)絡(luò)從結(jié)構(gòu)上分類可分為前向型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)[5]。不同的神經(jīng)網(wǎng)絡(luò)有著不同的特點和適用領(lǐng)域：前向型網(wǎng)絡(luò)適合用于非線性映射和分類；反饋型網(wǎng)絡(luò)適用于聯(lián)想記憶、存儲。而對于節(jié)目播放量的預(yù)測，一般分為定性預(yù)測和定量預(yù)測，本文將定性變量量化，進(jìn)行定量預(yù)測，特點是以客觀實際資料作為預(yù)測的依據(jù)，運用數(shù)學(xué)方法進(jìn)行處理分析，受主觀因素的影響較小，利用現(xiàn)代化的計算方法，進(jìn)行大量的計算工作和數(shù)據(jù)統(tǒng)計，根據(jù)本文的研究，選擇前向型神經(jīng)網(wǎng)絡(luò)來訓(xùn)練播放量評估模型。

應(yīng)用于訓(xùn)練的前向型神經(jīng)網(wǎng)絡(luò)的算法有很多，如Hebb學(xué)習(xí)法、Widrow-Hoff學(xué)習(xí)法，BP學(xué)習(xí)法等算法[6]。Hebb學(xué)習(xí)法比較簡單，難以應(yīng)用于大規(guī)模數(shù)據(jù)處理，Widrow-Hoff學(xué)習(xí)算法很難應(yīng)用于多層網(wǎng)絡(luò)。而BP學(xué)習(xí)法是在Widrow-Hoff學(xué)習(xí)法的基礎(chǔ)上發(fā)展而來的，目前在大規(guī)模數(shù)據(jù)處理、非線性系統(tǒng)映射等領(lǐng)域有著最廣泛的應(yīng)用[7]。使用BP學(xué)習(xí)法的神經(jīng)網(wǎng)絡(luò)也稱為BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)，本文選擇使用該算法。

本文首先對影響指標(biāo)進(jìn)行量化處理，對于輸入的數(shù)據(jù)進(jìn)行歸一化處理，然后確定輸入層、輸出層、隱含層的結(jié)構(gòu)，最后針對神經(jīng)網(wǎng)絡(luò)的波動性，對預(yù)測算法進(jìn)行改進(jìn)，使預(yù)測值更加精準(zhǔn)。

3.1 影響指標(biāo)量化處理

本文引入的影響播放量的因素既有定量變量，又有定性變量，為了能夠在同一模型中反映這些因素對播放量的影響，需要將這些定性變量進(jìn)行量化，所以將影響播放量的指標(biāo)做以下具體處理，見表1。

表1 指標(biāo)量化表說明

3.2 影響因素歸一化

對于輸入的數(shù)據(jù)采用均勻歸一化，如公式1所示：

(1)

其中，X表示歸一化之后的數(shù)據(jù)，datai表示當(dāng)前待歸一化的數(shù)據(jù)，data表示全部數(shù)據(jù)，i表示數(shù)據(jù)索引，取值為[1，n]。

3.3 確定模型結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)的全稱是誤差反向后傳網(wǎng)絡(luò)，其原理是利用輸出后的誤差來估計輸出層的直接前導(dǎo)層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計。其學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小[8]。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層(input layer)、隱含層(hide layer)和輸出層(output layer)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3.3.1 輸入層

根據(jù)對影響指標(biāo)的分析，輸入層神經(jīng)元共有13個，即：(13個指標(biāo)：主持人、節(jié)目嘉賓、制作公司、是否為續(xù)集、是否完結(jié)、播出時長、播出時間間隔、播出平臺、受眾定位、公眾影響、媒體關(guān)注、網(wǎng)絡(luò)口碑、綜藝偏好)input={ZCR，JMJB，ZZGS，SFXJ，SFSY，BCSC，BCJG，BCPT，SZDW，GZYX，MTGZ，WLKB，ZYPH}。

3.3.2 輸出層

本文中BP模型的輸出值為自制節(jié)目播放量，輸出層的神經(jīng)元激活函數(shù)采用公式(2)的tanh函數(shù)：

(2)

由于tanh函數(shù)的值域在[-1，1]區(qū)間，因此需要使用公式(3)進(jìn)行歸一化的逆運算，其中，實際預(yù)測結(jié)果用result表示：

(3)

result表示對歸一化的結(jié)果進(jìn)行還原所得的實際預(yù)測結(jié)果，f(Z)表示經(jīng)神經(jīng)網(wǎng)絡(luò)計算所得的歸一化預(yù)測結(jié)果。

3.3.3 隱含層

隱含層節(jié)點都使用式(2)tanh函數(shù)，采用節(jié)點數(shù)為19個，經(jīng)過多次測試，綜合考慮收斂速度和精度，節(jié)點數(shù)為19個時效果最好。

3.4 預(yù)測算法改進(jìn)

隨著隱含層節(jié)點數(shù)量的增加，模型的計算容納能力也隨之增加，但同時對預(yù)測的結(jié)果會帶來波動性，這是因為輸出層之前任意兩個節(jié)點之間的權(quán)值收斂方向發(fā)生變化，都會對結(jié)果造成影響。因此，本文對預(yù)測算法進(jìn)行改進(jìn)，所采用的策略如下：首先采用相同的數(shù)據(jù)進(jìn)行五次訓(xùn)練，由于初始值的不同，五次訓(xùn)練將會得到五個不同的神經(jīng)網(wǎng)絡(luò)；接下來將測試數(shù)據(jù)分別輸入五個神經(jīng)網(wǎng)絡(luò)，計算出所得結(jié)果的平均值，將該平均值視為預(yù)測結(jié)果的中心值；最后找出五個預(yù)測結(jié)果中距離該中心值最遠(yuǎn)，即與中心值相差最大的一個數(shù)據(jù)，去掉該數(shù)據(jù)，重新計算余下數(shù)據(jù)的平均值，將該平均值視為最終的預(yù)測結(jié)果。

改進(jìn)后的預(yù)測算法的偽代碼表示如下：

Begin

/*設(shè)errorsum為整數(shù)，初始化為0*/

for ilt;-1 to size(testing，1)

do predict lt;- mean(a(i，：))/*mean求平均值，預(yù)測值都存儲在a中，將a的值求平均*/

aa lt;-(a-predict) /*預(yù)測值與平均預(yù)測值的誤差*/

[c，d]lt;-max(abs(aa)) /*求出與平均預(yù)測值距離最遠(yuǎn)的值*/

a(i，d)lt;-0 /*去掉距離最遠(yuǎn)的平均值*/

predict lt;- sum(a(i，：))/4 /*求剩余預(yù)測值的平均值*/

b lt;-((testingLabels(i)+1)/2)*(dianjimax-dianjimin)+dianjimin /*反歸一化，從0-1反歸一化到原來的數(shù)據(jù)

disp([predict b])；

errorsum lt;- abs(predict -b)= errorsum /*計算11個的總平均預(yù)測誤差

/*打印 i、predit、b的值*/

end

average lt;-errorsum/11 /*平均預(yù)測誤差*/

fclose(fid)

End

4 仿真實驗

本文用于仿真實驗的視頻播放量以及各個指標(biāo)采集數(shù)據(jù)來源于骨朵數(shù)據(jù)、艾恩視頻智庫(網(wǎng)絡(luò)綜藝)等[1]，共收集了愛奇異、優(yōu)酷、騰訊、樂視、芒果TV五大視頻平臺的所有自制綜藝，共110部作為本實驗的數(shù)據(jù)集。

在實驗工具選擇上，考慮到Matlab在科學(xué)計算領(lǐng)域有著較高的精度，因此本文使用Matlab實現(xiàn)并改進(jìn)優(yōu)化BP模型，采用“|真實值-預(yù)測值|/檢測數(shù)據(jù)個數(shù)”作為平均絕對誤差。

首先用matlab隨機(jī)產(chǎn)生90個訓(xùn)練數(shù)據(jù)及11個檢測數(shù)據(jù)，然后通過90個訓(xùn)練數(shù)據(jù)訓(xùn)練模型，再分別采用傳統(tǒng)BP以及本文優(yōu)化的BP模型，對相同的檢測數(shù)據(jù)進(jìn)行測試，檢測10次，得到結(jié)果如圖3所示。

圖3 兩種模型的平均絕對誤差對比

實驗結(jié)果表明，本文優(yōu)化的BP模型在一定程度上解決了BP神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)的波動性，預(yù)測結(jié)果更加接近真實播放量。因此，此模型能夠為自制節(jié)目的投資和放映以及版權(quán)價值的預(yù)測評估提出有價值的參考，具有實際意義。

5 結(jié)語

視頻行業(yè)近年來發(fā)展迅猛，各大視頻網(wǎng)站利用自身平臺優(yōu)勢，打造自己的原創(chuàng)戰(zhàn)略，比起視頻網(wǎng)站購買天價的電視劇、電影版權(quán)，成本上要節(jié)省很多，同時能夠保證視頻內(nèi)容的獨家性，進(jìn)而吸引更多的廣告主來投放廣告[9]。本文為視頻網(wǎng)站自制節(jié)目從業(yè)人員、制作人員和廣告主能夠在這個全新的市場中及時洞察用戶的行為習(xí)慣和收視偏好、發(fā)掘潛力巨大的新市場，提出了一套行之有效的解決方案。結(jié)合我國實際情況，提出一套播放量的評估體系，并建立基于BP神經(jīng)絡(luò)的視頻網(wǎng)站自制節(jié)目播放量預(yù)測模型。此外，還對算法結(jié)構(gòu)進(jìn)行了調(diào)整，改進(jìn)了預(yù)測流程，通過對比實驗，一定程度上解決了預(yù)測模型精度過低的問題，并證實了選取指標(biāo)的科學(xué)性。

由結(jié)果可知，影響播放量兩個方面的因素：內(nèi)部因素和外部因素對于播放量的影響都是顯著的，打破以往在分析影響因素時僅分析節(jié)目自身因素的思維，能夠更好地為視頻網(wǎng)站的投融資以及視頻版權(quán)交易評估服務(wù)，促進(jìn)視頻產(chǎn)業(yè)及其版權(quán)產(chǎn)業(yè)的發(fā)展壯大。

[1]王詩雨. 論網(wǎng)絡(luò)視頻自制節(jié)目《大牌駕到》的節(jié)目特色[D].中國青年政治學(xué)院，2015.

[2]劉真. 我國視頻網(wǎng)站自制節(jié)目研究[D].山東大學(xué)，2015.

[3]王黎鵬，薛凱元. 我國視頻網(wǎng)站自制節(jié)目現(xiàn)狀的調(diào)查分析[J]. 西部廣播電視，2015(04)：11-12.

[4]王守龍，陳宇明，王智源.版權(quán)資產(chǎn)價值評估基本方法及其市場化運用[J].出版發(fā)行研究，2015(05)：20-22.

[5]從爽，戴誼. 遞歸神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)研究[J]. 計算機(jī)應(yīng)用，2004(08)：18-20.

[6]侯瑞. 人工神經(jīng)網(wǎng)絡(luò)BP算法簡介及應(yīng)用[J].科技信息，2011(3)：75.

[7]劉彩紅. BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的研究[D].重慶師范大學(xué)，2008.

[8]盧文景. 電影版權(quán)價值評估系統(tǒng)的研究與實現(xiàn)[D].中國傳媒大學(xué)，2016.

[9]何雨朔. 我國視頻網(wǎng)站自制節(jié)目現(xiàn)狀及其發(fā)展策略研究[D].曲阜師范大學(xué)，2013.

[10]百度指數(shù)[OL].http：//index.baidu.com/.

[11]藝恩網(wǎng)[OL]. http：//www.entgroup.cn/.

[12]骨朵網(wǎng)[OL].http：//www.guduomedia.com.

[13]豆瓣網(wǎng)[OL].https：//www.douban.com.

[14]微指數(shù)[OL].http：//www.weizhishu.com.

[15]360指數(shù)[OL].http：//index.haosou.com.

(責(zé)任編輯：宋金寶)

ModelingonPlaybackVolumePredictionofSelf-producedProgramsofChineseVideoWebsites

LI Jian-qiao1，GUAN Hu2，ZHANG Shu-wu2

(1.Information Engineering School，Communication University of China，Beijing 100024，China；2.Digital Content Center，Institute of Automation，Chinese Academy of Sciences，Beijing 100190，China)

Since 2005，from the initial low-cost to today’s professional scale，self-produced programs of Chinese video websites become new favorite of many net citizens depend on its form of diversity and substantial content. This paper selects 5 major video websites，analyses 101 data，a index system of an impact at the play times was proposed，and build a model on BP neural network based on the index system. At the same time，according the volatility of BP，the forecasting model is improved.The research of the index system and the model can provide a more comprehensive and reliable reference scheme for the investment and profit before the release of the program，which is beneficial to the research and development of China’s video industry. Moreover，based on the forecasting model，the use of scientific and reasonable evaluation system and methods can be used to price video related products or services to help simplify and standardize the bargaining process of copyright transactions，scientifically and rationally.The creative added value of copyright works is of great significance to the evaluation of copyright and the conduct of copyright transactions.

influencing factor quantification；BP neural network；playback prediction

N37

A

1673-4793(2017)06-0026-07

2017-09-26

國家科技支撐計劃課題(2015BAH49F01)

李鑒橋(1993-)，男(漢族)，黑龍江人，中國傳媒大學(xué)碩士研究生.