企業(yè)微博信息與短期績效的BP神經(jīng)網(wǎng)絡(luò)預(yù)測研究

劉嘉琪　齊佳音

〔摘 要〕[目的/意義]致力于更好地挖掘和利用企業(yè)微博中的信息，利用信號分析方法構(gòu)建了基于企業(yè)微博的信號指標(biāo)框架，為有效地預(yù)測企業(yè)短期績效提供了新思路。[方法/過程]將該預(yù)測體系應(yīng)用于典型的經(jīng)驗品—電影行業(yè)，經(jīng)過線上收集信息、辨識信號、解讀信號，最終借助BP神經(jīng)網(wǎng)絡(luò)模型輸出線下首周電影票房的預(yù)測結(jié)果。[結(jié)果/結(jié)論]企業(yè)微博具有很高的探索價值，企業(yè)發(fā)布的信息性內(nèi)容特征量和企業(yè)關(guān)注者的結(jié)論化反饋程度等因素對預(yù)測結(jié)果的影響較大，并且包含企業(yè)微博信號的模型預(yù)測能力得到了顯著地提升。

〔關(guān)鍵詞〕信號分析；企業(yè)微博；BP神經(jīng)網(wǎng)絡(luò)；電影票房

DOI：10.3969/j.issn.1008-0821.2018.08.010

〔中圖分類號〕F062.5 〔文獻(xiàn)標(biāo)識碼〕A 〔文章編號〕1008-0821（2018）08-0073-10

〔Abstract〕[Purpose/Significance]In order to discover and utilize the information in enterprise micro-blog better，this paper constructs a signal index framework based on enterprise micro-blog by means of signal analysis，providing a new way to effectively predict enterprise short-term performance.[Method/Process]Applying the prediction system to typical experience good （i.e.film） industry，the study collects information，identifies signals and interprets signal online，and finally uses BP neural network algorithm to output the prediction results of the first week movie box office revenue.[Result/Conclusion]Enterprise micro-blog has a high value for exploration，and informative content released by enterprise and followers conclusive feedbacks are proved to influence box office.Combined with the signals of enterprise micro-blog，the prediction model achieves much higher accuracy.

〔Key words〕signal analysis；enterprise micro-blog；BP neural network；box office

信息不對稱是信息情報研究領(lǐng)域中學(xué)者們經(jīng)常關(guān)注的熱點。由于互動雙方無法做到信息情報內(nèi)容的完全共享，持有更多或更重要的私人情報的一方往往占據(jù)信息優(yōu)勢[1]。而信息劣勢方通常會從各個方面不斷地搜尋相關(guān)信息，以便于更準(zhǔn)確地制定決策。相應(yīng)地，信息優(yōu)勢方熱衷于傳遞更多信息來獲取劣勢方的青睞，從而影響其決策行為，并從中獲益[2]。隨著信息時代的發(fā)展，學(xué)者們逐漸發(fā)現(xiàn)社交媒體中蘊含著豐富的信息資源，尤其是在用戶規(guī)模最龐大的微博平臺。通過對微博特征的有效捕捉可以折射出客觀事物的狀態(tài)和變化趨勢[3]，因此它成為劣勢方獲取信息和優(yōu)勢方傳播信息的重要平臺。

在微博信息分析研究興起初期，Java、Asur和Bollen等學(xué)者曾利用Twitter信息進(jìn)行探索性嘗試，在社區(qū)結(jié)構(gòu)分析、電影票房預(yù)測和股市預(yù)測方面取得了一定的成果[4-6]。雖然早期研究常集中于新聞學(xué)、傳播學(xué)等領(lǐng)域，但隨著情報學(xué)領(lǐng)域的信息分析方法的不斷進(jìn)步，從情報學(xué)角度對微博進(jìn)行的研究日益增多。例如，張洋等人采用信號分析方法設(shè)計了微博信息分析系統(tǒng)[3]，王晰巍等利用話題分析技術(shù)刻畫了突發(fā)事件網(wǎng)絡(luò)輿情態(tài)勢[7]，余波從競爭情報價值等方面探討了微博信息傳播意義[8]。雖然情報學(xué)領(lǐng)域中存在許多成熟的信息分析方法，如特爾菲法、決策樹法、時間序列分析法等。但利用這些方法進(jìn)行信息分析，需要大量可靠數(shù)據(jù)以做出確切判斷，而微博消息則具有字符有限、碎片化的特征，這為信息分析帶來了困難。不過，信號分析（Signal Analysis）恰好是一種立足于這種不完全信息條件下，針對信息不對稱情景的情報分析方法。它擅長從支離破碎的“信息碎片”中去粗取精、去偽存真，抓取出對揭示客觀規(guī)律有益的信號[9]，因此更適合微博信息分析研究。

通過文獻(xiàn)梳理，我們發(fā)現(xiàn)信號分析作為新興領(lǐng)域，學(xué)者們通常將其作為分析競爭對手、規(guī)避風(fēng)險、監(jiān)測市場動態(tài)的工具，鮮少將其與企業(yè)市場價值相關(guān)聯(lián)。同時，相關(guān)研究尚處于起步階段，微博中蘊含的海量信息還未得到充分的開發(fā)和利用。尤其在經(jīng)驗品交易情景下，雖然掌握更多產(chǎn)品細(xì)節(jié)的企業(yè)顯然是信息優(yōu)勢方，但學(xué)者們大多都忽略了對企業(yè)社交媒體信息和信號的分析。然而，利用情報技術(shù)，科學(xué)地遴選出關(guān)鍵的企業(yè)微博信號并加以有效利用，對于消費者預(yù)判產(chǎn)品價值和企業(yè)提升市場競爭力而言均十分有益。

因此，本研究以信號分析方法為基本手段，選取典型的經(jīng)驗品—電影產(chǎn)品為研究對象，針對企業(yè)微博的特點，以短期企業(yè)績效預(yù)測為目標(biāo)，借助BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建首周電影票房預(yù)測模型。選擇電影行業(yè)的原因在于：1）電影產(chǎn)品具有經(jīng)驗品消費特征，其質(zhì)量具備高度不確定性和不可觀測性。觀眾必須要在短時間內(nèi)依賴外部信息制定觀影決策，在此過程中有效的信號對于票房收入至關(guān)重要[10]；2）電影票房數(shù)據(jù)是周期性較強(qiáng)的專業(yè)數(shù)據(jù)，跟蹤時間較短（大約為6周[11]）；3）通常企業(yè)績效數(shù)據(jù)不夠透明，普通公眾和媒體很難通過大眾渠道來獲取。而相較之下，每個影院的電影票房數(shù)據(jù)恰好可以作為企業(yè)產(chǎn)品績效的代理變量，有利于降低數(shù)據(jù)收集難度。

1 相關(guān)研究

“信號”在電子通訊、經(jīng)濟(jì)研究領(lǐng)域具有廣泛應(yīng)用，情報學(xué)學(xué)者對它也有著獨特的理解。Fahey認(rèn)為信號是個體在某種具體的環(huán)境下，對研究對象過去、當(dāng)前或未來狀態(tài)和行為的數(shù)據(jù)和信息進(jìn)行分析而得出的結(jié)論，是信息加工后的結(jié)果[12]。沈固朝視信號分析為對事件出現(xiàn)的各種跡象進(jìn)行解釋、質(zhì)疑、假設(shè)、數(shù)據(jù)補(bǔ)充、驗證和評價的過程[13]。而劉千里等人進(jìn)一步強(qiáng)調(diào)了信號的情報內(nèi)涵，認(rèn)為它本身意味著一定的不確定性，對它進(jìn)行邏輯推理直至得出滿足決策需要的情報為信號分析的核心[14]。許鑫等學(xué)者則將信號分析方法應(yīng)用于突發(fā)事件的網(wǎng)絡(luò)預(yù)警研究、金融風(fēng)險預(yù)警研究和企業(yè)盈余預(yù)測研究中，擴(kuò)展了信號分析的應(yīng)用范圍，為預(yù)測性研究提供了新思路[9，15-16]。

在信號搜集方面，針對電影票房預(yù)測研究場景，本文發(fā)現(xiàn)在早期的研究中，學(xué)者們普遍將影片自身屬性視為重要的預(yù)測信號，并重點聚焦于電影產(chǎn)業(yè)鏈中的制作（如預(yù)算、導(dǎo)演、演員、續(xù)集、電影類型、IP版權(quán)、制片國等）、發(fā)行（如發(fā)行商資歷、發(fā)行模式、發(fā)行公司的宣傳支出等）和上映（如上映時長、節(jié)日假期、檔期、屏幕數(shù)量、市場競爭、市場集中度等）3個階段。數(shù)據(jù)集大多來源于早期歷史數(shù)據(jù)或市場中其他類似產(chǎn)品的數(shù)據(jù)，然而由于產(chǎn)品屬性和宣傳策略等多方面因素存在差異，預(yù)測結(jié)果的準(zhǔn)確度并不穩(wěn)定。并且，影片在上映前并不存在票房數(shù)據(jù)，因此，首周票房預(yù)測仍是一個挑戰(zhàn)。隨著Web2.0時代的到來，與社交媒體平臺信號相結(jié)合的研究逐漸成為學(xué)術(shù)熱點。學(xué)者們開始利用社交網(wǎng)站中呈現(xiàn)出的用戶情感傾向[5]、觀影意愿[17]、影片關(guān)注程度、搜索情況[18]、口碑評價[19]、股價波動[20]等信號指標(biāo)來預(yù)測電影票房。相較之下，企業(yè)微博作為低成本、實時性的企業(yè)社交媒體廣告，它的內(nèi)容特征為產(chǎn)品銷售帶來的貢獻(xiàn)幾乎被大多數(shù)學(xué)者們忽略了。同時，目前仍缺乏對用戶線上響應(yīng)行為與企業(yè)線下商業(yè)價值關(guān)系的考量。

在信號解讀方面，一些學(xué)者擅長利用計量經(jīng)濟(jì)學(xué)模型來揭示和判斷信號與電影票房間的因果關(guān)系，常見模型包括對數(shù)線性模型[21]、GMM模型[22]、Logit模型[23]、動態(tài)聯(lián)立方程模型[24]、固定效應(yīng)模型[25]等。然而，由于票房影響因素過于眾多紛雜，依賴于事先提假設(shè)的實證研究模型的預(yù)測能力受到了很大的局限，擬合度仍有很大的提升空間[26]。同時，基于數(shù)據(jù)挖掘技術(shù)的預(yù)測研究正逐漸興起。另一些學(xué)者們開始利用由數(shù)據(jù)驅(qū)動的自適應(yīng)方法從龐大的數(shù)據(jù)中挖掘出有潛在價值信息，取代了傳統(tǒng)計量模型事先設(shè)定假設(shè)的步驟，從而可以更靈活地尋找數(shù)據(jù)之間的客觀規(guī)律[27]。常見的數(shù)據(jù)挖掘算法包括神經(jīng)網(wǎng)絡(luò)[28]、支持向量機(jī)[29]、決策樹模型[30]、貝葉斯網(wǎng)絡(luò)和狄利克雷分布等算法[31]。其中，神經(jīng)網(wǎng)絡(luò)算法受到學(xué)者們廣泛地認(rèn)可，由于其具有良好的自學(xué)習(xí)和聯(lián)想儲存功能，能夠高速尋找優(yōu)化解，有效提高了需求預(yù)測準(zhǔn)確率。

因此，本研究將借助BP神經(jīng)網(wǎng)絡(luò)模型對多維度下的企業(yè)微博信號的重要程度進(jìn)行評估，從而預(yù)測出電影首周票房收入，進(jìn)一步拓展信號分析和電影票房預(yù)測研究體系。

2 信息收集

針對所研究的具體問題，本文首先明確了需收集的企業(yè)微博信號范圍和信息數(shù)據(jù)來源。

2.1 信號選擇范圍

2.1.1 企業(yè)微博范疇——企業(yè)創(chuàng)作內(nèi)容特征

企業(yè)創(chuàng)作內(nèi)容作為企業(yè)在社交媒體中正式地、官方地生產(chǎn)的網(wǎng)絡(luò)內(nèi)容[32]，已逐漸成為企業(yè)推介產(chǎn)品、客戶關(guān)系管理、傳播品牌和危機(jī)公關(guān)等的重要方式[33]，同時也為消費者提供了近距離接觸信息優(yōu)勢方的最直接渠道。捕捉企業(yè)創(chuàng)作內(nèi)容中呈現(xiàn)的關(guān)鍵信息，有利于深化消費者對產(chǎn)品的認(rèn)知和理解。參考Nelson在營銷學(xué)領(lǐng)域提出的經(jīng)典廣告分類方法，將企業(yè)創(chuàng)作內(nèi)容特征分為兩大類，信息性特征和說服性特征[34]。

信息性特征，明確地告知消費者產(chǎn)品的存在、價格和物質(zhì)形態(tài)等與產(chǎn)品相關(guān)的特征[35]，目的在于降低消費者的搜尋成本[36]和決策風(fēng)險[37]。甚至可以在消費者做出購買決策之前，通過傳遞可靠的信號使經(jīng)驗品變成搜尋品[38]。

說服性特征，為企業(yè)和品牌創(chuàng)造、培養(yǎng)了一定特色，塑造了獨特的市場形象，滿足目標(biāo)消費者的某種偏愛和情感需求[39-40]。它雖然往往與具體的產(chǎn)品或服務(wù)本身無關(guān)，但對于無法準(zhǔn)確地用信息性內(nèi)容描述質(zhì)量的經(jīng)驗品十分重要。它擅長利用友善的、有趣的、感性的、高互動的溝通手段與信號接收者建立親密的、長久的良性關(guān)系，使得用戶不僅把企業(yè)視為追求利潤的經(jīng)濟(jì)實體的代言人，同時也是具有感情和溝通能力的人格化角色，拉近企業(yè)與用戶間的距離，提升了用戶對企業(yè)的好感和青睞，從而將企業(yè)產(chǎn)品自然納入商品備擇集中，因此是對潛在消費者心智方面的長期投資。另一方面，它通過向消費者表明企業(yè)有實力投資于非信息性廣告，鼓勵消費者對該信號進(jìn)行簡單的聯(lián)想和推斷，使其間接相信產(chǎn)品具有高質(zhì)量，可以通過高銷量抵消廣告方面的支出[35]。

因此，企業(yè)創(chuàng)作內(nèi)容的信息性特征和說服性特征均可作為企業(yè)在微博平臺發(fā)布的信號，為消費者提供推斷產(chǎn)品真實價值的途徑。

2.1.2 企業(yè)微博范疇——企業(yè)微博發(fā)布策略

在信息稀缺的情景下，信息長度經(jīng)常作為內(nèi)容深度的度量指標(biāo)，并被證實與內(nèi)容的有用性正向相關(guān)[41]。相似地，企業(yè)發(fā)布的信息越長，每條信號傳遞出的有效內(nèi)容越多，可被消費者參考的線索越豐富，能更好地評估產(chǎn)品細(xì)節(jié)提供幫助[42]。

同時，企業(yè)發(fā)布信息的頻率可以反映出影片的宣傳力度和受重視程度。在一定時間范圍內(nèi)，用戶接收信號的數(shù)量越多，其工作記憶越深刻，認(rèn)知程度越高。頻繁的強(qiáng)信號刺激可能會積極地促進(jìn)消費者的購買決策行為，因此，本研究從企業(yè)創(chuàng)作內(nèi)容的發(fā)布策略視角出發(fā)，視信息平均長度和信息發(fā)布密度為對預(yù)測產(chǎn)品銷量有益的信號。

2.1.3 企業(yè)微博范疇——企業(yè)關(guān)注者響應(yīng)程度

對于不了解產(chǎn)品的潛在消費者而言，其他關(guān)注者對企業(yè)微博的反饋同樣也可作為重要信號輔助其決策。

在企業(yè)發(fā)布微博后，粉絲的轉(zhuǎn)發(fā)行為能夠有效幫助企業(yè)在社會網(wǎng)絡(luò)中擴(kuò)散信息，令消息跨越社交網(wǎng)絡(luò)結(jié)構(gòu)中的稀疏區(qū)域，使信息抵達(dá)更廣泛的人群。一方面，消費者的購買行為是從對商品的認(rèn)知開始的[43]，該舉動使得企業(yè)創(chuàng)作內(nèi)容呈現(xiàn)在更多用戶視野中，有效地提升產(chǎn)品的曝光度，使得產(chǎn)品進(jìn)入更多消費者的備擇集合中。另一方面，用戶自愿地在個人主頁宣傳企業(yè)的商業(yè)信息，表明了對產(chǎn)品最大程度的認(rèn)可和滿意[44]。此時，不僅轉(zhuǎn)發(fā)者本身有更高概率選擇該產(chǎn)品，而且由于關(guān)注者和被關(guān)注之間常常是朋友關(guān)系或其他具有較高信任的關(guān)系（如名人與粉絲），這種認(rèn)可和滿意會被信號的下級接收者感受到，加深其記憶、思維和聯(lián)想，最終幫助企業(yè)在商品銷售中獲得更高的銷量。

同時，用戶的評論行為可作為企業(yè)與消費者雙向溝通關(guān)系成立的信號，而點贊行為直接體現(xiàn)了用戶對企業(yè)的支持態(tài)度和好感。當(dāng)消費者制定購買決策時，更傾向于選擇形象親切、口碑良好、值得信賴的企業(yè)和產(chǎn)品，即使市場上可能同時存在其他替代產(chǎn)品。因此，企業(yè)創(chuàng)作內(nèi)容收獲更多的評論和點贊數(shù)量有利于企業(yè)進(jìn)一步提升商品的銷量。

于是，本研究將社交網(wǎng)絡(luò)中關(guān)注者整體的響應(yīng)程度（即轉(zhuǎn)發(fā)、評論和點贊量）作為一種信號，認(rèn)為其對電影線下的票房收入產(chǎn)生影響。

2.1.4 其他范疇信號

許多研究發(fā)現(xiàn)，對于難以準(zhǔn)確描述細(xì)節(jié)的經(jīng)驗品而言，僅憑借企業(yè)主動發(fā)布的信號可能無法全面地預(yù)測其價值。而產(chǎn)品特征和市場競爭環(huán)境信息[56]也會向消費者傳遞一定的可供聯(lián)想和推斷的線索[45]。同時，由于本文重點對上映后的首周數(shù)據(jù)進(jìn)行預(yù)測，因此排除了在電影上映前屬性未知的指標(biāo)。最終在電影產(chǎn)品特征層面選取了評分、出品國、類別、導(dǎo)演和IP版權(quán)信號，在市場競爭環(huán)境層面選取了上映日特殊性和市場競爭水平信號。

評分。在電影市場中，有些已消費的用戶或機(jī)構(gòu)依據(jù)親身經(jīng)驗對產(chǎn)品質(zhì)量的優(yōu)劣進(jìn)行評價，這些最直接的反饋為潛在消費者提供了重要信號[31]。發(fā)達(dá)的社交網(wǎng)絡(luò)也促使觀影口碑成為影響票房的因素之一，但對于評論內(nèi)容而言，非結(jié)構(gòu)化數(shù)據(jù)的準(zhǔn)確處理相對困難，而評分可以認(rèn)為是主流口碑的簡單化呈現(xiàn)，能夠代表大部分評論的情感傾向[23]。因此，我們將選取社交網(wǎng)絡(luò)中的影評分?jǐn)?shù)作為用戶口碑的整體評價。

出品國。由于院線每年合法引進(jìn)的電影數(shù)量僅有60部左右，出于商業(yè)目的，院線往往選擇引進(jìn)大制作商業(yè)片，而觀眾往往因為精良質(zhì)量和演員陣容選擇觀看進(jìn)口大片，因而進(jìn)口電影與國產(chǎn)電影表現(xiàn)出明顯的票房差別。

影片類型。不同電影天然上就有不同的受眾群，部分類型的影片會比其他類型的影片票房更高。例如Dellarocas指出冒險/動作類影片的票房顯著高于其他類型影片[46]。因此，我們單獨對冒險類和動作類電影進(jìn)行計算。

導(dǎo)演影響力。導(dǎo)演的能力大小往往決定了一部電影的內(nèi)涵與層次，甚至在很大程度上影響著最終的票房收入[30]。由于每位導(dǎo)演所導(dǎo)演的影片數(shù)目不同，我們利用藝恩網(wǎng)對于導(dǎo)演執(zhí)導(dǎo)的電影數(shù)據(jù)進(jìn)行統(tǒng)計，選取的是導(dǎo)演所執(zhí)導(dǎo)的最近5部電影票房表現(xiàn)的平均值。

IP（Intellectual Property，知識產(chǎn)權(quán)）版權(quán)。IP為可以改編為電影的作品，包括文學(xué)作品、戲劇、故事大綱、故事梗概和原創(chuàng)劇本等[47]。在當(dāng)下的文化消費市場，可被翻拍為電影的IP原著往往已經(jīng)具備了一定的粉絲群體、較高的影響力與成功的口碑，消費者對于原IP的支持態(tài)度可能會影響其對影片的判斷[21]。因此我們認(rèn)為“是否由IP作品改編”可作為預(yù)測電影質(zhì)量的信號，影響著票房的走向。

上映日特殊性。經(jīng)諸多研究發(fā)現(xiàn)，雖然特殊的上映日期會提升產(chǎn)品間的競爭，但也會為電影票房帶來額外的收入，如周末、公共假日、特殊節(jié)日等。本文重點識別出賀歲檔（指從11月20日左右開始直到春節(jié)長假結(jié)束，以影片大規(guī)模上映為開端）、暑期檔（指每年6月1日至8月31日的時段內(nèi)，主要受眾為4～24歲的學(xué)生觀眾）、國慶檔（指每年國慶節(jié)7天長假期間）、特殊節(jié)日（包括情人節(jié)、圣誕節(jié)、光棍節(jié)、520等）和周末（即星期六與星期日）。

市場競爭水平。由于影片生命周期的短暫性，同期上映的影片之間具有較強(qiáng)的競爭關(guān)系，這種市場競爭水平也會影響消費者的注意力和決策結(jié)果，從而影響院線從該影片獲得的票房收入。本研究統(tǒng)計每部影片前后2周時間內(nèi)上映的影片數(shù)量（包括該影片自身）作為對電影市場競爭水平信號的測量。

2.2 信息數(shù)據(jù)來源

以新浪微博作為微博研究平臺，選取中國最大的電影院線企業(yè)——萬達(dá)院線作為研究對象。萬達(dá)院線已連續(xù)8年在票房、觀影人次、市場份額等方面位居國內(nèi)首位，以代表性的領(lǐng)先企業(yè)作為樣本，不僅可以消除由行業(yè)競爭對模型帶來的影響，還可使研究發(fā)現(xiàn)具有“對總體的外部效度”的概率更高[48]。

爬取以下幾部分?jǐn)?shù)據(jù)：企業(yè)微博維度：1）萬達(dá)院線在新浪微博（www.weibo.com）中注冊的官方賬號“萬達(dá)電影生活”從2014年12月至2015年12月期間發(fā)布的所有企業(yè)創(chuàng)作內(nèi)容數(shù)據(jù)，共計1 584條；2）與企業(yè)創(chuàng)作內(nèi)容對應(yīng)的用戶響應(yīng)結(jié)果數(shù)據(jù)（包含評論、轉(zhuǎn)發(fā)、點贊），共計637 046條。其他維度：1）2014年12月至2015年12月期間，中國萬達(dá)院線（www.wandafilm.com）上映電影的每日票房數(shù)據(jù)，共計294部影片；2）每部影片在豆瓣電影社區(qū)（www.douban.com）中的評分、類別、導(dǎo)演、簡介等信息；3）從藝恩網(wǎng)（www.entgroup.cn）獲取影片導(dǎo)演近5年拍攝作品的票房收入。

獲取數(shù)據(jù)后，對其進(jìn)行初步清洗處理，將不完整的、有噪聲的和不一致的臟數(shù)據(jù)清除。并在初步規(guī)范化數(shù)據(jù)格式后，將數(shù)據(jù)由多源合并成一致的數(shù)據(jù)存儲，形成了最終的完整數(shù)據(jù)集。

3 信號辨識

信號辨識是對收集到的不完全的、離散、模糊的信息進(jìn)行整理，確定合適的分析維度和用以衡量信號強(qiáng)度的指標(biāo)體系，量化信息和數(shù)據(jù)。由于數(shù)據(jù)集主要由結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化文本內(nèi)容構(gòu)成，對其處理主要分為以下過程：

3.1 文本內(nèi)容特征解構(gòu)

對企業(yè)創(chuàng)作內(nèi)容特征的辨識采用內(nèi)容分析法，即一種將不系統(tǒng)的、定性的符號性內(nèi)容，如文字、圖像轉(zhuǎn)化成系統(tǒng)的、定量的數(shù)據(jù)資料的研究方法，具體識別標(biāo)準(zhǔn)見表1。在處理企業(yè)創(chuàng)作內(nèi)容特征的影片歸屬問題時，信息性特征起到了關(guān)鍵作用。而在缺乏信息性特征的企業(yè)創(chuàng)作內(nèi)容中，說服性特征與具體影片無明顯關(guān)聯(lián)，較難判斷。鑒于電影上映前后1周為電影主要的宣傳期，因此，我們通過判斷發(fā)布時間是否屬于某部電影上映前后7天（共14天）的時間窗口，來對其進(jìn)行指定計算。若企業(yè)創(chuàng)作內(nèi)容同時屬于多部電影的窗口期，則分別進(jìn)行計算。

3.2 信號強(qiáng)度測量

本研究的輸出預(yù)測變量為電影首周票房收入，輸入信號共15個，具體測量方式及描述性統(tǒng)計，見表2。

式中：InfoFeaturemi為與第m部電影相關(guān)的第i個信息性特征數(shù)量，PersFeaturemj為與第m部電影相關(guān)的第j個說服性特征數(shù)量。RepostVolw、CommentVolw、LikeVolw分別表示微博w的轉(zhuǎn)發(fā)、評論和點贊量，Trepost、Tcomment和Tlike分別表示轉(zhuǎn)發(fā)、評論和點贊行為的發(fā)生時間。DirectorBoxOfficemn為第m部電影的導(dǎo)演最近指導(dǎo)的第n部影片所收獲的電影票房。WandaBoxOffice為萬達(dá)影院每日票房。

3.3 輸入變量預(yù)處理

由于不同信號數(shù)據(jù)有著不同的取值范圍，為消除不同量綱數(shù)據(jù)對預(yù)測效果的影響，我們對各輸入指標(biāo)進(jìn)行歸一化處理，以便后續(xù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建[49]，即將數(shù)值限定在[0，1]區(qū)間內(nèi)，歸一化公式為：

4 信號解讀

信號解讀是通過對經(jīng)過辨識階段量化的信號進(jìn)行多方面的揭示和判斷，從而獲取對預(yù)測有價值的結(jié)論。本研究主要借助BP神經(jīng)網(wǎng)絡(luò)模型分析收集到的信號。

4.1 相關(guān)性分析

為避免各輸入因素間相互干擾，對其進(jìn)行相關(guān)性分析，探索各因素間依存關(guān)系，見表3。各因素間相關(guān)系數(shù)均小于0.7，故不用刪去任何指標(biāo)。

4.2 BP神經(jīng)網(wǎng)絡(luò)構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)是基于BP算法的多層前饋網(wǎng)絡(luò)，其算法成熟，網(wǎng)絡(luò)結(jié)構(gòu)簡單，具備較強(qiáng)的非線性映射能力的突出特點，已成為目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[50-51]。傳統(tǒng)的BP算法是基于最小二乘法（OLS）思想的一種有監(jiān)督的學(xué)習(xí)算法，目的在于求解誤差函數(shù)的最小值。學(xué)習(xí)過程由信號的正向傳播與誤差的逆向傳播兩個過程構(gòu)成。正向傳播時，模式作用于輸入層，經(jīng)隱含層處理后，傳向輸出層。對于輸出層的輸出值，如果不是預(yù)期中的期望值，則會反向的對網(wǎng)絡(luò)不斷地進(jìn)行修正，逐層修正各個連接的權(quán)值，并完成誤差的修正過程。通過不停地修正，最后準(zhǔn)確率也不斷提高，直到達(dá)到期望值所在范圍或達(dá)到設(shè)定的學(xué)習(xí)次數(shù)才終止學(xué)習(xí)。權(quán)值不斷修改的過程，也就是神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，具體流程圖見圖1。

圖1 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)流程圖

4.2.1 確定網(wǎng)絡(luò)結(jié)構(gòu)

網(wǎng)絡(luò)層數(shù)：BP網(wǎng)絡(luò)一般由1個輸入層，1個輸出層及若干隱含層構(gòu)成。實際應(yīng)用中，對于電影票房的預(yù)測，通常利用1個隱含層就基本上能滿足問題的需求[50]。雖然增加隱含層數(shù)可以提高預(yù)測精度，但盲目地增加隱含層層數(shù)，往往會使學(xué)習(xí)速度變慢，同時增加了結(jié)構(gòu)的復(fù)雜性。因此，我們選擇1個隱含層。

輸入層節(jié)點數(shù)：輸入層節(jié)點數(shù)由影響輸出變量的輸入變量個數(shù)來決定，節(jié)點過少使得網(wǎng)絡(luò)不能很好地獲得輸入與輸出數(shù)據(jù)的非線性關(guān)系，如果過多則會增加過擬合的危險。本研究共有15個變量，故輸入層節(jié)點選為15個。

輸出層節(jié)點數(shù)：輸出層節(jié)點數(shù)取決于輸出數(shù)據(jù)類型和表示該類型所需的具體數(shù)據(jù)。本研究的輸出層包含1個節(jié)點，為電影首周票房收入值。

隱含層節(jié)點數(shù)：對于輸入與輸出均為有限個數(shù)的神經(jīng)網(wǎng)絡(luò)，隱含層節(jié)點數(shù)的選擇原則是保證預(yù)測精度的情況下選擇盡量少的節(jié)點數(shù)[51]，過多的隱含層節(jié)點數(shù)會導(dǎo)致學(xué)習(xí)時間過長，但隱含層節(jié)點數(shù)太少則使得容錯性差，對未經(jīng)學(xué)習(xí)的樣本識別能力大大降低，所以必須綜合多方面的因素進(jìn)行設(shè)計。本研究依據(jù)張向?qū)幒忘S章樹提出的經(jīng)驗公式計算隱含層的神經(jīng)元初始值，計算結(jié)果約為7[52]。最終，確定BP神經(jīng)網(wǎng)絡(luò)模型圖，見圖1。

l=（0.43m·n+0.12n2+2.54m+0.77n+0.86

式中：m、n分別為輸入層結(jié)點數(shù)與輸出層結(jié)點數(shù)，l為隱含層節(jié)點數(shù)。

4.2.2 實驗參數(shù)設(shè)置

本文選用Clementine12.0軟件來實現(xiàn)BP網(wǎng)絡(luò)學(xué)習(xí)過程，Clementine工具箱不但支持整個數(shù)據(jù)挖掘流程（包括從數(shù)據(jù)獲取、轉(zhuǎn)化、建模、評估到最終部署的全部過程），而且包含豐富有效的模型算法，使得BP網(wǎng)絡(luò)的建立、訓(xùn)練以及預(yù)測更具可靠性和精確性。同時，訓(xùn)練過程非常直觀，令神經(jīng)網(wǎng)絡(luò)模型具備高實踐性。

隱含層部分采用S（Sigmoid）函數(shù)（即S（t）=11+e-t，式中t為上層組合函數(shù)的結(jié)果）為傳遞函數(shù)，輸出層傳遞函數(shù)采用線形傳遞函數(shù)。允許誤差設(shè)定為0.01，學(xué)習(xí)速率選定0.01，最大迭代次數(shù)為3 000次，動量參數(shù)使用0.8。

為了得到相對準(zhǔn)確的誤差估計，盡量避免過擬合，本研究建立Partition節(jié)點，并連接到數(shù)據(jù)流上的超節(jié)點上，隨機(jī)選取50%為訓(xùn)練樣本集，50%作為檢驗樣本集。

4.3 信號敏感度分析

輸出變量是數(shù)值型變量，預(yù)測精度的方法為：R=1-Yi-Y′iYmax-Ymin（式中，Yi-Y′i表示第i個樣本實際值與模型預(yù)測值的誤差絕對值；Ymax為最大輸出變量的實際值，Ymin為最小輸出變量的實際值）。經(jīng)過訓(xùn)練，神經(jīng)網(wǎng)絡(luò)的預(yù)測精度R為0.95158，結(jié)果比較理想。

由于各層節(jié)點間通過權(quán)值交錯相連，無法直接觀測到各輸入信號對輸出變量的影響程度。因此，我們基于不同的輸入變量取值對輸出變量的改變程度而進(jìn)行敏感度分析，通過敏感度的大小反映各信號對預(yù)測變量的影響程度[53]，分析結(jié)果見圖3。

對票房影響最大的信號為企業(yè)微博中的企業(yè)創(chuàng)作內(nèi)容信息性特征，說明企業(yè)傳遞與產(chǎn)品緊密相關(guān)的信號越多，對消費者影響越大，對電影票房的干預(yù)作用越顯著。同時，相比于評論，點贊與轉(zhuǎn)發(fā)量體現(xiàn)出更高的影響力。原因在于社交媒體作為一個利用碎片化時間向消費者傳遞信號的平臺，信息的理解成本越低，對消費者的影響價值越大。點贊和轉(zhuǎn)發(fā)量可以直觀地傳遞出用戶整體的好感和支持程度。而評論則需要用戶額外付出認(rèn)知、心智和時間成本來判別觀點的情感傾向，其數(shù)量無法直接表達(dá)消費者的意向和態(tài)度結(jié)論，因此無法作為有效信號。

另外，在其他信號中，影片評分作為結(jié)論化的口碑傾向，較直接地降低了消費者的不確定性，益于其制定購買決策。相比于冒險類影片，動作類影片對消費者產(chǎn)生更高的吸引力。導(dǎo)演作為影片最核心的創(chuàng)作人員，掌握著影片藝術(shù)創(chuàng)意的領(lǐng)導(dǎo)權(quán)，其職能不僅局限于審美范疇，還影響著投資立項、資金調(diào)度、演員任用等工作。因此，導(dǎo)演的影響力可以較準(zhǔn)確地反映出影片的制片水準(zhǔn)和審美層次，具有高影響力的導(dǎo)演所指導(dǎo)的電影作品很大程度上會相應(yīng)的產(chǎn)生較高的市場價值。市場競爭水平對電影首周票房收入也有較強(qiáng)影響，在消費者對產(chǎn)品質(zhì)量并不完全了解時，積極參與競爭的影片可以成功地傳遞出其對高質(zhì)量產(chǎn)品充滿信心的可靠信號，吸引消費者做出購買決策。

相較之下，評論數(shù)量和冒險類影片的敏感度低于0.01，對電影票房預(yù)測的貢獻(xiàn)度較低。

4.4 預(yù)測結(jié)果穩(wěn)健性分析

首先，為了驗證企業(yè)微博維度中最重要信號的穩(wěn)健性，我們將輸入變量作為自變量，將輸出變量作為因變量，利用計量經(jīng)濟(jì)學(xué)中的多元OLS回歸方法對電影首周票房收入的影響因素進(jìn)行分析。發(fā)現(xiàn)模型擬合度為0.523，低于BP神經(jīng)網(wǎng)絡(luò)模型。在較高的顯著性水平（P=0.000）下，企業(yè)創(chuàng)作內(nèi)容的信息性特征內(nèi)容仍為對電影首周票房影響最大的因素（未標(biāo)準(zhǔn)化系數(shù)為15 722.123，標(biāo)準(zhǔn)誤為1 635.312），證實了該信號對于電影票房的預(yù)測而言至關(guān)重要。

其次，對BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效力進(jìn)行檢驗。我們采用交叉驗證法對神經(jīng)網(wǎng)絡(luò)模型和回歸模型的預(yù)測精確度做了比較[27]。具體地，我們隨機(jī)地將樣本數(shù)據(jù)分成了4個不同子集，即每個子集包含有71部電影，每個子集輪流被用作測試樣本。當(dāng)其中某一子集作為測試樣本時，其余子集則為訓(xùn)練樣本，每一次測試都會得到輸出變量的預(yù)測值，將其與電影票房的真實值進(jìn)行比較，便可計算出其平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）。計算公式為：

按照此步驟分別對兩類模型進(jìn)行測試，最終得出MAPE值，見表4。發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型的MAPE值均小于回歸模型，代表神經(jīng)網(wǎng)絡(luò)預(yù)測模型在本研究情景下，面向電影票房預(yù)測問題具有更優(yōu)的解決效果。

最后，橫向地與類似研究結(jié)果進(jìn)行比較，王煉等基于網(wǎng)絡(luò)搜索的票房預(yù)測模型MAPE為0.399[18]；Ainslie等學(xué)者構(gòu)建的電影生命周期預(yù)測模型MAPE為0.387[54]；Liu在考慮口碑對票房的影響后，電影首周票房預(yù)測模型MAPE為0.387，電影總體票房預(yù)測模型MAPE為0.47[55]。參照其他研究，發(fā)現(xiàn)以信號分析方法為工具，納入了企業(yè)微博信號指標(biāo)的預(yù)測模型具有較高的預(yù)測價值。

5 結(jié) 語

本文以電影行業(yè)為例，基于企業(yè)微博信息，創(chuàng)新性地將信號分析方法的基本原理與BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，對企業(yè)短期績效進(jìn)行成功地預(yù)測，在提升預(yù)測準(zhǔn)確率方面取得了良好效果。實驗結(jié)果表明，企業(yè)微博信息與電影票房變化有很高的相關(guān)性，企業(yè)發(fā)布的與產(chǎn)品緊密相關(guān)的信息性內(nèi)容特征數(shù)量及以轉(zhuǎn)發(fā)量與點贊量呈現(xiàn)出的結(jié)論化用戶響應(yīng)程度，作為有效信號，對電影首周票房收入預(yù)測具有很好的指示作用。同時依據(jù)其他信號與輸出變量的敏感度分析，發(fā)現(xiàn)水平較高的導(dǎo)演、合適的上映時機(jī)、受歡迎的影片類型也是傳遞電影市場價值信息的重要信號。

在理論層面，本文實現(xiàn)了：1）在信息情報學(xué)領(lǐng)域，基于信號分析視角甄選出預(yù)測能力較強(qiáng)的指示信號，證實了企業(yè)微博的高利用價值。發(fā)現(xiàn)企業(yè)社交媒體參與工作、其他關(guān)注者的社交媒體響應(yīng)、影片自身質(zhì)量和市場競爭水平對票房預(yù)測具有一定的影響作用；2）在企業(yè)營銷領(lǐng)域，創(chuàng)新地將企業(yè)社交媒體營銷內(nèi)容與市場績效相結(jié)合，跳脫出目前學(xué)術(shù)界單純以虛擬用戶卷入結(jié)果來衡量企業(yè)社交媒體營銷效果的研究格局，為評估企業(yè)線上營銷工作價值提供了真實的物質(zhì)基礎(chǔ)和客觀量化條件；3）在票房預(yù)測領(lǐng)域，預(yù)測結(jié)果顯示相比于其他類似研究，基于BP神經(jīng)網(wǎng)絡(luò)和微博信號的預(yù)測模型能夠提高票房預(yù)測的準(zhǔn)確性。

在實踐層面，得到了以下啟示：1）在社會化營銷工作方面，企業(yè)可適當(dāng)?shù)卦黾有畔⑿詢?nèi)容在企業(yè)創(chuàng)作內(nèi)容中的比重，因為當(dāng)消費者接收到高質(zhì)量的有用信號后，會樹立起對企業(yè)和產(chǎn)品更深層次的認(rèn)知，降低了決策風(fēng)險和不確定性，推動了雙方在商業(yè)交易中達(dá)成共識，從而提升了產(chǎn)品銷量和企業(yè)收入。2）在提升社交網(wǎng)絡(luò)中其他用戶的參考價值方面，相較于精細(xì)地閱讀和判斷其他用戶的評論內(nèi)容，消費者更需要能迅速識別影片質(zhì)量、降低理解成本、有助于決策的簡單信號。因此，網(wǎng)站運營者應(yīng)重點呈現(xiàn)那些經(jīng)過統(tǒng)計處理的關(guān)于影片質(zhì)量的結(jié)論化信息（如網(wǎng)絡(luò)口碑評分、轉(zhuǎn)發(fā)量和點贊量），而企業(yè)應(yīng)將提升其分?jǐn)?shù)和數(shù)量作為社交媒體營銷活動的重點任務(wù)。3）在電影籌備方面，制片方應(yīng)著重考慮導(dǎo)演的影響力，選取高票房導(dǎo)演增大了影片成功的概率。4）在電影放映方面，選擇在多部影片云集的高競爭檔期上映，既向消費者傳遞出質(zhì)量可靠的信號，也可激發(fā)出觀影者的獵奇心理，有助于吸納更多票房。

本文仍存在不足之處。1）僅重點關(guān)注與短期營銷收入相關(guān)的企業(yè)微博信號，未來應(yīng)進(jìn)一步廣泛考察各方面信號對于企業(yè)整體市場價值的影響。2）僅單獨調(diào)查了一個行業(yè)和業(yè)內(nèi)的領(lǐng)先企業(yè)，整體數(shù)據(jù)量不算龐大，部分變量的缺失也可能對模型預(yù)測的結(jié)果造成影響，未來考慮將基于信號分析理論的研究擴(kuò)展到更多企業(yè)和行業(yè)。

參考文獻(xiàn)

[1]Aaker D A，Keller K L.Consumer Evaluations of Brand Extensions[J].Journal of Marketing，1990，54（1）：27-41.

[2]Connelly B L，Certo S T，Ireland R D，et al.Signaling Theory：A Review and Assessment[J].Journal of Management，2011，37（1）：39-67.

[3]張洋，張津華，謝齊.基于信號分析方法的微博信息分析系統(tǒng)設(shè)計與實現(xiàn)[J].情報理論與實踐，2013，36（5）：104-110.

[4]Java A，Song X，F(xiàn)inin T，et al.Why We Twitter：An Analysis of a Microblogging Community[M]//Advances in Web Mining and Web Usage Analysis.DBLP，2009：118-138.

[5]Asur S，Huberman B.Predicting the Future with Social Media[J].Social Science Electronic Publishing，2010，7（2）：492-499.

[6]Bollen J，Mao H，Zeng X.Twitter Mood Predicts the Stock Market[J].Journal of Computational Science，2011，2（1）：1-8.

[7]王晰巍，邢云菲，王楠阿雪，等.新媒體環(huán)境下突發(fā)事件網(wǎng)絡(luò)輿情信息傳播及實證研究——以新浪微博“南海仲裁案”話題為例[J].情報理論與實踐，2017，40（9）：1-7.

[8]余波.微博的情報學(xué)意義探討[J].圖書情報工作，2010，54（22）：57-60.

[9]許鑫，張嵐嵐.突發(fā)事件網(wǎng)絡(luò)輿情預(yù)警模式探索[J].圖書情報工作，2010，54（22）：135-138.

[10]Moorthy S.Can Brand Extension Signal Product Quality？[J].Marketing Science，2012，31（5）：756-770.

[11]Elberse A，Eliashberg J.Demand and Supply Dynamics for Sequentially Released Products in International Markets：The Case of Motion Pictures[J].Marketing Science，2003，22（3）：329-354.

[12]利亞姆·費伊.競爭者：以才智、謀略與績效制勝[M].北京：中國人民大學(xué)出版社，2005.

[13]沈固朝.信號分析：競爭情報研究的又一重要課題[J].圖書情報工作，2009，53（20）：11-14.

[14]劉千里，童悅.信號分析的若干理論與方法探析[J].圖書情報工作，2009，53（20）：15-19.

[15]楊雪萊，許傳華.中國金融風(fēng)險預(yù)警指標(biāo)的最優(yōu)閾值及預(yù)測績效分析[J].金融經(jīng)濟(jì)學(xué)研究，2012，（2）：121-128.

[16]王雄元，彭旋.穩(wěn)定客戶提高了分析師對企業(yè)盈余預(yù)測的準(zhǔn)確性嗎？[J].金融研究，2016，（5）：156-172.

[17]Shugan S，Swait J.Enabling Movie Design and Cumulative Box Office Predictions Using Historical Data and Consumer Intent-to-View[J].University of Florida，2009.

[18]王煉，賈建民.基于網(wǎng)絡(luò)搜索的票房預(yù)測模型——來自中國電影市場的證據(jù)[J].系統(tǒng)工程理論與實踐，2014，34（12）：3079-3090.

[19]Duan W，Gu B，Whinston A B.Do Online Reviews Matter？——An Empirical Investigation of Panel Data[J].Decision Support Systems，2008，45（4）：1007-1016.

[20]Spann M，Ernst H，Skiera B，et al.Identification of Lead Users for Consumer Products Via Virtual Stock Markets[J].Journal of Product Innovation Management，2009，26（3）：322-335.

[21]侯永，王鐵男，李向陽.質(zhì)量信號的連續(xù)傳遞性——電影市場質(zhì)量信號的影響邊界[J].寧夏大學(xué)學(xué)報：人文社會科學(xué)版，2014，36（4）：133-140.

[22]羅曉芃，齊佳音，田春華.電影首映日后票房預(yù)測模型研究[J].統(tǒng)計與信息論壇，2016，（11）：94-102.

[23]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(jì)問題探索，2013，（11）：96-102.

[24]Elberse A，Eliashberg J.Demand and Supply Dynamics for Sequentially Released Products in International Markets：The Case of Motion Pictures[J].Marketing Science，2003，22（3）：329-354.

[25]夏妮亞，蒲勇健.基于多國面板數(shù)據(jù)的電影產(chǎn)業(yè)經(jīng)濟(jì)特征分析與國內(nèi)電影票房影響因素研究[J].經(jīng)濟(jì)問題探索，2012，（6）：136-144.

[26]嚴(yán)建援，張麗，張蕾.電子商務(wù)中在線評論內(nèi)容對評論有用性影響的實證研究[J].情報科學(xué)，2012，30（5）：713-719.

[27]趙麗娜，韓冬梅.基于BP神經(jīng)網(wǎng)絡(luò)的在線評論效用影響因素研究[J].情報科學(xué)，2015，33（6）：138-142.

[28]連聰聰，杜儀，張輝.基于電影營銷因素分析的電影票房預(yù)測[J].中國傳媒大學(xué)學(xué)報：自然科學(xué)版，2015，22（4）：26-30.

[29]王曉耘，袁媛，史玲玲.基于微博的電影首映周票房預(yù)測建模[J].現(xiàn)代圖書情報技術(shù)，2016，32（4）：31-39.

[30]王玉帛.基于數(shù)據(jù)挖掘?qū)τ绊戨娪捌狈恳蛩氐臏\析[J].通訊世界，2017，（2）：236-237.

[31]Eliashberg J，Elberse A，Leenders M A A M.The Motion Picture Industry：Critical Issues in Practice，Current Research，and New Research Directions[J].Marketing Science，2006，25（6）：638-661.

[32]Qu Q X，Qi J，Tan Y.User-Generated Content（UGC）Encountered Enterprise-Generated Content（EGC）：Quantifying the Impact of EGC on the Propagation of Negative UGC[C]//PACIS，2014：88.

[33]王戰(zhàn)平，阮成奇，李鳴瑜，等.企業(yè)微博傳播效果測評研究[J].情報科學(xué)，2014，32（9）：52-59.

[34]Nelson P.Information and Consumer Behavior[J].Journal of Political Economy，1970，78（2）：311-329.

[35]Milgrom P，Roberts J.Price and Advertising Signals of Product Quality[J].Journal of Political Economy，1986，94（4）：796-821.

[36]Stigler G J.The Economics of Information[M].Belknap Press of Harvard University Press，1984.

[37]Bettman J R，Park C W.Effects of Prior Knowledge and Experience and Phase of the Choice Process on Consumer Decision Processes：A Protocol Analysis[J].Journal of Consumer Research，1980，7（3）：234-248.

[38]Klein L R.Evaluating the Potential of Interactive Media through a New Lens：Search Versus Experience Goods[J].Journal of Business Research，1998，41（3）：195-203.

[39]Nelson P.Advertising as Information[J].Journal of Political Economy，1974，82（4）：729-754.

[40]Goldman R，Papson S.Sign Wars：The Cluttered Landscape of Advertising[M].Guilford Press，1996.

[41]Mudambi S M，Schuff D.What Makes a Helpful Review？A Study of Customer Reviews on Amazon.com[J].2010.

[42]曾偉.基于ELM的在線評論有用性研究——商品類型的調(diào)節(jié)影響[J].現(xiàn)代情報，2014，34（12）：148-153.

[43]蔡佩兒，沙振權(quán).互聯(lián)網(wǎng)視頻貼片廣告下的品牌說服效果[J].管理學(xué)報，2016，（10）：1525-1533.

[44]Chung S，Animesh A，Han K，et al.Firms Social Media Efforts，Consumer Behavior，and Firm Performance[J].2014.

[45]Balachander S，Sanjoy G.Reciprocal Spillover Effects：A Strategic Benefit of Brand Extensions[ J ].Journal of Marketing，2003，67（1）：4-13.

[46]Dellarocas C，Zhang X M，Awad N F.Exploring the Value of Online Product Reviews in Forecasting Sales：The Case of Motion Pictures[J].Journal of Interactive Marketing，2007，21（4）：23-45.

[47]李宏宇.“IP”改編電影與其市場表現(xiàn)分析[J].中國電影市場，2016，（12）：31-34.

[48]傅慧芬，賴元薇.消費電子品品牌社交媒體內(nèi)容營銷策略研究——基于聯(lián)想、華為、HTC和三星微信公眾號的內(nèi)容分析[J].管理評論，2016，28（10）：259-272.

[49]付斌，張吉軍，鐘健，等.基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法在需求預(yù)測中的應(yīng)用研究[J].情報科學(xué)，2017，35（11）：132-135.

[50]周樸雄，張兵榮，趙龍文.基于BP神經(jīng)網(wǎng)絡(luò)的情境化信息推薦服務(wù)研究[J].情報科學(xué)，2016，34（3）：71-75.

[51]丁筠.學(xué)術(shù)期刊影響力指數(shù)（CI）預(yù)測模型的構(gòu)建[J].情報科學(xué)，2017，35（2）：27-32.

[52]張向?qū)?，黃章樹.基于BP神經(jīng)網(wǎng)絡(luò)的CPI 預(yù)測研究[J].商情，2007，（2）：104.

[53]袁海霞.網(wǎng)絡(luò)口碑的跨平臺分布與在線銷售——基于BP人工神經(jīng)網(wǎng)絡(luò)的信息熵與網(wǎng)絡(luò)意見領(lǐng)袖敏感性分析[J].經(jīng)濟(jì)管理，2015，（10）：86-95.

[54]Ainslie A，Drèze X，Zufryden F.Modeling Movie Life Cycles and Market Share[J].Marketing Science，2005，24（3）：508-517.

[55]Liu Y.Word of Mouth for Movies：Its Dynamics and Impact on Box Office Revenue[J].Journal of Marketing，2006，70（3）：74-89.

[56]彭靖里，可星，李建平.企業(yè)技術(shù)競爭情報中的市場信號分析及實證研究[J].情報理論與實踐，2016，39（1）：82-87.

（責(zé)任編輯：孫國雷）