基于Word2vec及TF-MONO算法的中國(guó)觀眾對(duì)中外電影的需求與滿意度比較研究

李敏 張怡 王善玲

南京航空航天大學(xué)經(jīng)濟(jì)與管理學(xué)院 南京 211106

引言

十四五規(guī)劃提出將“文化強(qiáng)國(guó)”擺在重要位置，在新發(fā)展格局下，影視產(chǎn)業(yè)建設(shè)將成為下一階段我國(guó)的重中之重。近年來(lái)中外電影合作不斷加強(qiáng)，極大地?cái)U(kuò)大了電影市場(chǎng)開(kāi)放程度。2012—2019年，中國(guó)電影產(chǎn)業(yè)呈螺旋式增長(zhǎng)的態(tài)勢(shì)，這反映了我國(guó)人文藝術(shù)與技術(shù)創(chuàng)新的深度融合[1]。2020年上半年，受新冠疫情影響，北美票房遭遇近四十年新低，全球票房銳減2046億。2020年10月15日，#中國(guó)電影票房超北美成為全球第一#沖上微博熱搜。中國(guó)電影市場(chǎng)成為全球最熱門的電影市場(chǎng)。新時(shí)代背景下，人們?cè)鲩L(zhǎng)起來(lái)的精神文化需求未能被充分滿足，基于娛樂(lè)和社交等的觀影需求越來(lái)越呈現(xiàn)多樣化，復(fù)雜性和不確定性等特點(diǎn)。

顧客滿意度測(cè)量的是消費(fèi)者消費(fèi)之后對(duì)于消費(fèi)對(duì)象和消費(fèi)過(guò)程的一般性評(píng)價(jià)[2]。當(dāng)消費(fèi)者的實(shí)際消費(fèi)體驗(yàn)與期望一致時(shí)，他們便會(huì)產(chǎn)生這種滿意情感[3]。這種滿意情感能夠揭示顧客價(jià)值創(chuàng)造過(guò)程和傳遞方面存在的問(wèn)題。Cardozo[4]對(duì)顧客滿意相關(guān)研究做出了開(kāi)創(chuàng)性的貢獻(xiàn)之后顧客滿意便成為現(xiàn)代營(yíng)銷學(xué)的中心理論之一[5]，也是各種商業(yè)活動(dòng)開(kāi)展時(shí)關(guān)注的焦點(diǎn)[6]。以往關(guān)于電影觀眾滿意度的研究往往采用問(wèn)卷調(diào)查[5,7-9]、深度訪談[10]等，但是問(wèn)卷調(diào)查時(shí)采用的最為常見(jiàn)的量表不具有普適性；抽樣調(diào)查也往往會(huì)帶來(lái)抽樣偏差[11]，造成左偏；深度訪談或者電話訪談的對(duì)象和準(zhǔn)實(shí)驗(yàn)調(diào)查的樣本較小不具有代表性，樣本容量適中的話又產(chǎn)生了調(diào)研成本較高的問(wèn)題。這些局限性是傳統(tǒng)研究方法不可避免的。電影作為一種體驗(yàn)型產(chǎn)品[7]，體驗(yàn)構(gòu)成了消費(fèi)的關(guān)鍵價(jià)值。觀影者在觀看電影這一體驗(yàn)消費(fèi)之后會(huì)在社交平臺(tái)上發(fā)表自己的看法。好的體驗(yàn)有助于形成良好的口碑，這會(huì)對(duì)短時(shí)間內(nèi)后續(xù)票房的增長(zhǎng)[12]、續(xù)集以及系列電影[13]，甚至是電影相關(guān)衍生品[14]都有積極的影響。這些反映消費(fèi)者想法的文本猶如一扇窗，讓市場(chǎng)營(yíng)銷人員能夠挖掘出隱藏在這些文本之下的觀影者的情感[15]。UGC成為研究消費(fèi)者滿意度的不可或缺的數(shù)據(jù)來(lái)源[11]。隨后，Mishra等[16]將基于文本情感分析的方法運(yùn)用到電影觀眾滿意度的研究當(dāng)中，以寶萊塢電影為背景進(jìn)行研究，結(jié)果發(fā)現(xiàn)愉悅、喚醒等消費(fèi)者情緒是客戶滿意度的重要預(yù)測(cè)因素。隨后Yan等[17]、Tang和Yu[18]以及辛雨璇和王曉東[19]紛紛基于影評(píng)內(nèi)容進(jìn)行情感傾向分析，并取得了不錯(cuò)的成果，但他們并沒(méi)有很好地實(shí)現(xiàn)電影觀眾滿意度的量化。為了更好地改善顧客滿意水平，必須準(zhǔn)確的測(cè)量顧客滿意度。因此，王善玲等[20]利用句法依存的方法基于影評(píng)內(nèi)容對(duì)中國(guó)電影海外滿意度進(jìn)行研究，其結(jié)果在一定程度對(duì)顧客滿意度進(jìn)行了量化。

以往的研究往往致力于單一來(lái)源國(guó)電影在單一市場(chǎng)的績(jī)效研究，本文將補(bǔ)充以往研究的空白，基于影評(píng)內(nèi)容利用情感分析的方法對(duì)中國(guó)電影觀眾的觀影需求發(fā)掘到極致。為此，本文提出Word2vec模型與TF-MONO算法相結(jié)合的情感分析方法。首先利用Word2vec對(duì)影評(píng)文本進(jìn)行電影特征提取，引入情感詞典對(duì)電影特征進(jìn)行情感分析。而后結(jié)合TF-MONO算法識(shí)別中國(guó)觀眾的觀影需求所在，并實(shí)現(xiàn)中國(guó)觀眾對(duì)不同國(guó)家電影整體滿意度的測(cè)算。該方法的主要特點(diǎn)在于基于對(duì)影評(píng)大數(shù)據(jù)的挖掘和自然語(yǔ)言處理技術(shù)實(shí)現(xiàn)中國(guó)電影觀眾滿意度的量化，這種量化能夠發(fā)掘消費(fèi)者潛在的觀影需求和滿意度，有助于中國(guó)電影工作者了解到海外電影的哪些特質(zhì)是值得我們學(xué)習(xí)的，中國(guó)電影的哪些特質(zhì)是我們的優(yōu)勢(shì)，是值得繼續(xù)發(fā)揮的。

1 理論基礎(chǔ)

1.1 基于Word2vec模型產(chǎn)品特征提取

與產(chǎn)品特征相關(guān)的文本一般都是由自然語(yǔ)言組成的。這些自然語(yǔ)言十分復(fù)雜，具有模糊性也沒(méi)有很好的定義[21]。對(duì)這些語(yǔ)言進(jìn)行情感分析主要有兩項(xiàng)任務(wù)，一是對(duì)其進(jìn)行特征提取，二是對(duì)其進(jìn)行意見(jiàn)傾向識(shí)別[22]。產(chǎn)品特征提取對(duì)于了解消費(fèi)者需求特征十分重要。關(guān)于產(chǎn)品特征提取的方法已有很多學(xué)者對(duì)其進(jìn)行了研究。Liu[23]首次使用Apriori算法從自然語(yǔ)言中提取產(chǎn)品特征。Popescu 和Etzioni[24]在此基礎(chǔ)上利用候選特征和產(chǎn)品類別相結(jié)合的方法改進(jìn)了單獨(dú)使用Apriori算法的局限性，能夠考慮對(duì)特征詞進(jìn)行修飾的形容詞對(duì)觀點(diǎn)的表達(dá)的影響。Quan等[25]將互信息法引入TF-IDF算法中，實(shí)現(xiàn)無(wú)監(jiān)督提取產(chǎn)品特征?；赥F-IDF算法的特征提取可以排除一些無(wú)關(guān)緊要的詞語(yǔ)對(duì)特征提取的影響，但它并沒(méi)有考慮文本上下文的語(yǔ)義關(guān)系。Zhuang等[26]在對(duì)電影評(píng)論文本進(jìn)行特征提取時(shí)套用了句法依存模板，識(shí)別影評(píng)內(nèi)容的特征詞與其對(duì)應(yīng)的觀點(diǎn)詞兩者之間的顯式和隱式關(guān)系。彭云等[27]利用句法依存關(guān)系，將中文評(píng)論文本的語(yǔ)言結(jié)構(gòu)和語(yǔ)言特點(diǎn)考慮在內(nèi)，將語(yǔ)言關(guān)系和LDA結(jié)合起來(lái)提出SRC-LDA模型用以挖掘細(xì)粒度產(chǎn)品特征詞與觀點(diǎn)詞的相關(guān)性。后來(lái)，王學(xué)賀和趙華[28]提出的基于Word-2vec和多分類器的影評(píng)情感分類方法，并表示W(wǎng)ord2vec可有效捕捉詞的語(yǔ)義,顯著提高情感分類算法的性能。

Word2vec是深度學(xué)習(xí)領(lǐng)域的一群用來(lái)產(chǎn)生詞向量的相關(guān)模型，它主要是通過(guò)映射或者變換的方法對(duì)原始特征進(jìn)行降維，常用于自然語(yǔ)言處理。為了改善關(guān)鍵詞的抽取性能，Soujanya等[29]將詞嵌入和CNN相結(jié)合提出了基于深度學(xué)習(xí)的提取方法。文秀賢等[30]將Word2vec模型運(yùn)用到產(chǎn)品特征提取中，對(duì)評(píng)論文本的關(guān)鍵詞進(jìn)行向量化后引用K-means來(lái)確定商品維度，從而提高特征提取的準(zhǔn)確性。Word2vec作為一種訓(xùn)練詞向量的工具，無(wú)需進(jìn)行人工標(biāo)注便可實(shí)現(xiàn)無(wú)監(jiān)督學(xué)習(xí)大量文本評(píng)論中詞語(yǔ)的向量表示。文本內(nèi)容經(jīng)過(guò)Word2vec的訓(xùn)練，便可以在K維向量空間中來(lái)進(jìn)行向量運(yùn)算。向量空間上的相似度就相當(dāng)于文本語(yǔ)義上的相似度[31]。

所以本文擬采用詞頻統(tǒng)計(jì)和Word2vec相結(jié)合的方法來(lái)實(shí)現(xiàn)影評(píng)特征詞提取，利用Python的gensim模塊提供的Word2vec 工具包對(duì)某一類特征詞進(jìn)行訓(xùn)練①https://radimrehurek.com/gensim/models/Word2vec.html。這類特征詞經(jīng)過(guò)向量空間相似度的運(yùn)算能夠拓展該特征類別下的盡可能多的特征詞。

表1展示的是gensim模塊中的部分參數(shù)表所表達(dá)的含義，其中參數(shù)表一列等號(hào)右邊表示默認(rèn)值。

表1 gensim模塊部分參數(shù)表含義

1.2 TF-MONO權(quán)重計(jì)算法

術(shù)語(yǔ)加權(quán)法可以追溯到TF-IDF[32]，該方法通過(guò)詞頻對(duì)此項(xiàng)進(jìn)行加權(quán)。到目前為止，人們已經(jīng)提出了幾種術(shù)語(yǔ)加權(quán)方案用于文本分類。如TF-IDF-icf[33]、TF-RF[34]、TF-IDF- icsdf[33]和TF-IGM term[35]等。Dogan等[36]提 出TF-MONO加權(quán)策略能夠執(zhí)行類內(nèi)文檔縮放，能夠更好地區(qū)分同一數(shù)量類中不同數(shù)量文檔中出現(xiàn)的術(shù)語(yǔ)。經(jīng)實(shí)比較分析，TF-MONO優(yōu)于以上集中加權(quán)方法[36]。故本文將采用TF-MONO加權(quán)法對(duì)電影特征進(jìn)行權(quán)重計(jì)算。

計(jì)算MOit，表示ti發(fā)生次數(shù)最多的類中的文本文檔數(shù)量與對(duì)應(yīng)類中的文本文檔總量的比值。

NOti表示未發(fā)生ti的其他類中的文本文檔數(shù)量與其他類中的文本文檔總量之間的比率。

MOti與NOti的比值乘積。乘積運(yùn)算的結(jié)果被指定為ti項(xiàng)的局部單權(quán)重。

最后，計(jì)算ti項(xiàng)的全局單權(quán)重如下（公式4）。其中，α是作為平衡參數(shù)來(lái)設(shè)置權(quán)重周期內(nèi)全局權(quán)重值的范圍，取值范圍為[5,9]。

2 研究框架與研究方法

由中國(guó)觀眾的影評(píng)文本入手探索中國(guó)觀眾的觀影需求和滿意度。為此，本研究構(gòu)建基于影評(píng)內(nèi)容的中國(guó)觀眾對(duì)不同來(lái)源國(guó)（地區(qū)）電影需求特征的識(shí)別與滿意度測(cè)算模型，如圖1所示。

圖1中描述了本文的研究流程，在此過(guò)程中實(shí)現(xiàn)了對(duì)中國(guó)觀眾觀影需求特征識(shí)別與滿意度的測(cè)算。

圖1 中國(guó)觀眾觀影需求特征識(shí)別與滿意度測(cè)算模型

首先利用python編寫(xiě)爬蟲(chóng)程序，從豆瓣上爬取影評(píng)數(shù)據(jù)，然后對(duì)影評(píng)文本進(jìn)行清洗、篩選、去除停用詞、分詞等預(yù)處理。第二步，利用微詞云詞頻分析軟件對(duì)上一步處理之后的影評(píng)進(jìn)行詞頻統(tǒng)計(jì)，根據(jù)詞頻統(tǒng)計(jì)和特征提取結(jié)果可以識(shí)別到觀眾的感知需求所在。第三步，提取電影特征詞。利用python中g(shù)ensim模塊實(shí)現(xiàn)Word2vec來(lái)訓(xùn)練處理之后的影評(píng)詞組，提取特征類別包含的所有特征詞來(lái)完成電影特征詞典的構(gòu)建。特征評(píng)論的兩種形式分別是“特征詞+程度副詞+情感詞”和“特征詞+情感詞”[37]。所以在第四步中利用word2vec算法對(duì)第一步預(yù)處理之后的影評(píng)數(shù)據(jù)進(jìn)行訓(xùn)練構(gòu)建出電影滿意度情感詞詞典，并引用馬風(fēng)才等[37]構(gòu)建的程度副詞詞典，計(jì)算出每個(gè)電影特征的情感得分。根據(jù)情感分析結(jié)果可以得到中國(guó)觀眾的觀影滿意度，我們將會(huì)了解到進(jìn)口電影的哪些特質(zhì)是值得國(guó)產(chǎn)電影學(xué)習(xí)的，哪些國(guó)產(chǎn)電影的特質(zhì)是我們的優(yōu)勢(shì)，值得繼續(xù)發(fā)揮的。最后利用TF-MONO權(quán)重計(jì)算方法計(jì)算特征詞權(quán)重、識(shí)別中國(guó)觀眾感知需求。最終，根據(jù)權(quán)重計(jì)算結(jié)果來(lái)計(jì)算中國(guó)觀眾對(duì)各個(gè)來(lái)源國(guó)（地區(qū)）電影的整體滿意度。

2.1 數(shù)據(jù)采集及預(yù)處理

2020年，中國(guó)電影票房超越北美票房成為全球最大的電影消費(fèi)市場(chǎng)。因此本文致力于對(duì)中國(guó)電影觀眾的感知需求與滿意度展開(kāi)研究。在藝恩票房網(wǎng)站上搜集到每一年在中國(guó)大陸上映的電影，其中數(shù)量最多的是中國(guó)本土電影、然后是美國(guó)電影、日本電影、英國(guó)以及法國(guó)電影等。英國(guó)、法國(guó)、德國(guó)、意大利這幾個(gè)國(guó)家的電影在中國(guó)熒幕上放映的數(shù)量有限，樣本較少，且該地區(qū)具有一定的文化統(tǒng)一性[38]，所以本次研究將這幾個(gè)國(guó)家的電影歸類為歐洲電影展開(kāi)研究。

本文利用python爬取豆瓣上2017—2020年中國(guó)大陸上映的423部電影，181部中國(guó)電影和242部外國(guó)電影的影評(píng)文本。外國(guó)電影包括163部美國(guó)電影，41部日本電影，38部歐洲電影。我們的樣本涵蓋2017—2020這四個(gè)國(guó)家（地區(qū)）在中國(guó)電影市場(chǎng)放映的低、中、高票房電影。

其中，豆瓣影評(píng)是按照支持度（點(diǎn)贊率由高到低）進(jìn)行排序的，因此越往前的影評(píng)越能代表大多數(shù)觀影者的看法，更符合大眾審美。所以，我們爬取每部電影的前200條影評(píng)。排除豆瓣反爬蟲(chóng)影響，最終獲得共計(jì)75548條文本信息。對(duì)收集到的文本信息進(jìn)行清洗、篩選、去除停用詞、分詞等預(yù)處理之后進(jìn)行存儲(chǔ)，以備下一步特征提取使用。

2.2 中國(guó)觀眾觀影需求識(shí)別

2.2.1 基于Word2vec的電影特征提取

利用詞頻統(tǒng)計(jì)軟件將所獲得的影評(píng)數(shù)據(jù)分別按照中國(guó)、美國(guó)、日本以及歐洲四個(gè)國(guó)家（地區(qū)）分類提取，進(jìn)一步根據(jù)詞頻統(tǒng)計(jì)結(jié)果列出了消費(fèi)者最關(guān)注的關(guān)鍵詞詞頻數(shù)據(jù)如表表2所示。中國(guó)觀眾對(duì)四個(gè)來(lái)源國(guó)（地區(qū)）電影最在意的就是電影本身，電影所講述的故事、劇情，演員，導(dǎo)演，特效等。

表2 中國(guó)觀眾對(duì)四個(gè)國(guó)家（地區(qū)）電影影評(píng)詞頻統(tǒng)計(jì)

由于同類特征詞還有其他表達(dá)方式，如表中的“故事”和“情節(jié)”以及“劇情”等詞表達(dá)的都是一個(gè)電影講述的內(nèi)容；特效也有“3D”“IMAX”和“場(chǎng)景”等說(shuō)法；“演員”、“演技”也可以歸為一類…….根據(jù)以上詞頻統(tǒng)計(jì)結(jié)果我們將電影特征類別分為故事、導(dǎo)演/團(tuán)隊(duì)、演員、特效、動(dòng)作、角色和藝術(shù)七類。為了能夠更為全面的捕獲到觀影者影評(píng)中的特征主體，本文運(yùn)用Word2vec神經(jīng)網(wǎng)絡(luò)的方法對(duì)爬取到的75548條影評(píng)進(jìn)行特征提取。并根據(jù)提取結(jié)果構(gòu)建了如下電影特征詞詞典如表3所示。

表3 電影特征詞詞典

2.2.2 基于TF-MONO方法的電影特征權(quán)重計(jì)算

我們選取的國(guó)家（地區(qū)）分別是中國(guó)、美國(guó)、歐洲及日本四個(gè)國(guó)家及地區(qū)電影的影評(píng)。為了使每個(gè)國(guó)家（地區(qū)）影評(píng)文檔內(nèi)影評(píng)數(shù)量一致便于后續(xù)計(jì)算，我們結(jié)合表2的詞頻統(tǒng)計(jì)結(jié)果和表3電影特征詞詞典，得到特征類別在四個(gè)國(guó)家（地區(qū)）影評(píng)文檔中出現(xiàn)頻數(shù)。公式1中的就代表國(guó)家（地區(qū)）獲取的10000條影評(píng)中某一特征出現(xiàn)的頻數(shù)。如表4所示：

表4 特征詞類別在四個(gè)國(guó)家（地區(qū)）影評(píng)文檔中出現(xiàn)頻數(shù)（每個(gè)影評(píng)文檔含有10000條影評(píng)）

利用TF-MONO權(quán)重計(jì)算方法對(duì)表4中的數(shù)據(jù)進(jìn)行迭代計(jì)算。

2.3 電影特征滿意度測(cè)算

2.3.1 電影情感詞典構(gòu)建

目前，我們可獲取的且較為常用的中文情感詞典主要有知網(wǎng)HOWNET情感詞典②http://www. keenage.com/html/c_index.html、臺(tái)灣大學(xué)自然語(yǔ)言處理實(shí)驗(yàn)室構(gòu)建的情感詞典“NTUSD”③http://nlg.csie.ntu.edu.tw和大連理工大學(xué)情感詞典[39]。這些情感詞典通用性較好，但其領(lǐng)域適應(yīng)性較差[40]。本文以知網(wǎng)HOWNET情感詞典為基礎(chǔ)，運(yùn)用Word2vec淺層神經(jīng)網(wǎng)絡(luò)拓展構(gòu)建了與電影產(chǎn)品相關(guān)的情感詞典，包含4761個(gè)正向詞和4549個(gè)負(fù)向詞。

2.3.2 情感程度副詞典構(gòu)建

在影評(píng)中，往往會(huì)有不同的程度副詞來(lái)對(duì)該情感詞進(jìn)行修飾，如“非?！薄疤貏e”或者是“有點(diǎn)”“稍微”等。根據(jù)不同程度副詞表達(dá)出來(lái)的情感強(qiáng)烈程度進(jìn)行分值區(qū)分，我們整理出來(lái)了情感程度副詞得分如表5所示。

表5 情感程度副詞計(jì)分

換言之，情感詞的正向或負(fù)向表達(dá)了影評(píng)作者的情感傾向，而修飾該情感詞的程度副詞則表達(dá)了這種情感傾向的激烈程度。比如在句中會(huì)有這種情況出現(xiàn)，如“劇情設(shè)置不是很巧妙！”那么里面的情感詞可以是“巧妙”，程度副詞為“很”。那么按照計(jì)分原則可能會(huì)將其判斷為正向情感，但它實(shí)際上表達(dá)的是負(fù)向情感。為了防止這種情況的出現(xiàn)以及計(jì)算的簡(jiǎn)便，我們?cè)诜治鲞^(guò)程中加了一步——識(shí)別否定詞。否定詞一旦出現(xiàn)，情感傾向就發(fā)生變化。又由于中文表達(dá)中常出現(xiàn)雙重否定表肯定，我們引入(–1)n，其中n表示否定詞出現(xiàn)的次數(shù)，若為兩次，則為正，情感傾向不變。

2.3.3 電影特征滿意度測(cè)算

我們將正向情感詞賦為2分、負(fù)向情感詞賦分為-2分。若分?jǐn)?shù)為正，分值越高則為更為強(qiáng)烈的正向情感，分值越低則為較弱的正向情感；若分?jǐn)?shù)為負(fù)，分值越高則為較弱的負(fù)向情感，分值越低則為強(qiáng)烈的負(fù)向情感。

運(yùn)用python程序語(yǔ)言，編寫(xiě)程序以實(shí)現(xiàn)以下操作步驟。首先依次歷遍整個(gè)文檔定位到特征詞，提取臨近特征詞[-3,3]區(qū)間內(nèi)的詞段。然后將整理好的情感詞典以及情感副詞詞典導(dǎo)入。最后計(jì)算該特征詞所在詞段的分值。

具體計(jì)算公式如下：

fj為評(píng)論中特征j對(duì)應(yīng)的得分，a為程度副詞的分值，sj為評(píng)論中特征j的情感詞分值，n代表否定詞出現(xiàn)的次數(shù)。該影評(píng)文本特征j情感得分時(shí)取fj的平均值。

2.4 整體滿意度計(jì)算

利用表4中電影特征的TF-MONO權(quán)重計(jì)算結(jié)果來(lái)計(jì)算中國(guó)觀眾對(duì)不同來(lái)源國(guó)(地區(qū))整體滿意度得分。計(jì)算公式如下：

S表示中國(guó)觀眾對(duì)該國(guó)電影的整體滿意度得分，wj表示電影特征j的權(quán)重，表示該國(guó)電影特征j的得分。

3 研究結(jié)果分析

3.1 中國(guó)觀眾觀影感知需求特征分析

利用TF-MONO權(quán)重計(jì)算方法對(duì)表4中的數(shù)據(jù)進(jìn)行迭代計(jì)算，得到七個(gè)電影特征得權(quán)重如圖2所示。該權(quán)重計(jì)算結(jié)果統(tǒng)一了四個(gè)國(guó)家（地區(qū)）的結(jié)論，反映了中國(guó)觀眾整體觀影的需求偏好所在。

從圖2可以看到中國(guó)觀眾對(duì)于電影的故事的感知需求最高，其次是角色、演員。中國(guó)觀眾對(duì)電影在藝術(shù)、特效、導(dǎo)演/團(tuán)隊(duì)方面感知需求相差不多，對(duì)于動(dòng)作特征感知需求最低。好故事體現(xiàn)在劇本中，劇本又是電影創(chuàng)作的第一道工序，是一部劇的根本。一部敘事作品是在以故事為中心的基礎(chǔ)上展開(kāi)的虛構(gòu)的藝術(shù)作品。整體來(lái)說(shuō)，往往講好故事、塑造生動(dòng)又飽滿的角色是提升中國(guó)觀影者整體滿意度的最佳途徑。

圖2 電影特征權(quán)重

3.2 中國(guó)觀眾對(duì)不同來(lái)源國(guó)不同電影特征滿意度比較分析

我們運(yùn)用python編程，加入特征提取結(jié)果以及整理好的情感詞典和情感副詞詞典，對(duì)提取出的詞段進(jìn)行分值計(jì)算。計(jì)算結(jié)果如表6所示。

表6 四個(gè)國(guó)家（地區(qū)）七大電影特征情感得分

為了更為直觀地反映出不同來(lái)源國(guó)（地區(qū)）電影特征情感得分比較根據(jù)所得數(shù)據(jù)繪制簇狀柱形圖如圖3所示。

圖3 四個(gè)國(guó)家（地區(qū)）七大電影特征情感得分比較

圖3顯示在故事、角色、演員、特效、動(dòng)作、導(dǎo)演/團(tuán)隊(duì)以及藝術(shù)七個(gè)電影特征中表現(xiàn)最佳的國(guó)家（地區(qū)）依次為歐洲、美國(guó)、美國(guó)、美國(guó)、中國(guó)、日本和日本。中國(guó)動(dòng)作情感的分較高究其原因在于中國(guó)動(dòng)作電影展示的不僅僅是單一的打斗動(dòng)作，更是與中華武術(shù)精神，中華文化相融合的、有內(nèi)涵的中華武術(shù)。這樣的動(dòng)作電影不僅能將中國(guó)武術(shù)的精神內(nèi)核傳遞給觀眾，引起觀眾情感上的共鳴，又能同時(shí)激發(fā)中國(guó)觀影的愛(ài)國(guó)主義情懷。美國(guó)擁有DC漫畫(huà)公司、漫威漫畫(huà)公司兩大漫畫(huà)巨頭。在特效方面，漫威以《鋼鐵俠》《美國(guó)隊(duì)長(zhǎng)》《銀河護(hù)衛(wèi)隊(duì)》等特效超強(qiáng)的電影，最終形成了《復(fù)仇者聯(lián)盟》。DC漫畫(huà)公司出品的《神奇女俠》《海王》等優(yōu)秀的電影作品也深受中國(guó)觀眾的喜愛(ài)。然而，部分美國(guó)大片一直以先進(jìn)的技術(shù)和優(yōu)質(zhì)的特效聞名，而忽視了故事的講述。本文在對(duì)日本電影影評(píng)進(jìn)行詞頻統(tǒng)計(jì)時(shí)高頻出現(xiàn)并且是其他三個(gè)國(guó)家（地區(qū)）沒(méi)有的就是畫(huà)面、畫(huà)風(fēng)和宮崎駿。日本動(dòng)漫產(chǎn)業(yè)蓬勃發(fā)展，已經(jīng)成為日本的第三大產(chǎn)業(yè)，是世界動(dòng)漫的領(lǐng)軍人。真人拍電影往往受限于機(jī)位、角色活動(dòng)以及自然光照和色彩規(guī)律。但動(dòng)畫(huà)電影可以充分發(fā)揮創(chuàng)作者的想象力，色彩的運(yùn)用和場(chǎng)景的布置可以是極其豐富的，再加之優(yōu)美動(dòng)人的音樂(lè)背景，以此來(lái)滿足劇情的需要。

我們將中國(guó)觀眾對(duì)該電影特征滿意度最高的對(duì)應(yīng)國(guó)家（地區(qū)）電影的滿意影評(píng)篩選出來(lái)，并對(duì)選出來(lái)的積極的影評(píng)生成可視化云圖進(jìn)行分析，整理使觀眾滿意度高的電影特征的特點(diǎn)，如表7所示：

表7 高滿意度特征影評(píng)可視化

四個(gè)國(guó)家（地區(qū)）電影的角色特征、導(dǎo)演/團(tuán)隊(duì)特征差異不大。就動(dòng)作這一電影特征而言，中國(guó)電影表現(xiàn)突出，得分為1.11分，遠(yuǎn)遠(yuǎn)領(lǐng)先其他三個(gè)國(guó)家（地區(qū)）。但是中國(guó)電影故事的情感得分較低。所以未來(lái)中國(guó)電影在涉及動(dòng)作場(chǎng)景設(shè)計(jì)時(shí)要注重與中華武術(shù)的結(jié)合，保持中國(guó)動(dòng)作特征的領(lǐng)先優(yōu)勢(shì)，同時(shí)應(yīng)注重提升故事講述、情節(jié)設(shè)計(jì)。

美國(guó)電影特效特征表現(xiàn)較其他國(guó)家來(lái)說(shuō)較為優(yōu)秀，其次是歐洲。因此，美國(guó)電影應(yīng)繼續(xù)將電影特效作為在中國(guó)營(yíng)銷的重點(diǎn)，避免依賴?yán)m(xù)集、系列電影，創(chuàng)作出更多新穎的好故事，努力提升其故事講述能力。

歐洲電影故事特征情感得分較高，其它六個(gè)特征表現(xiàn)平穩(wěn)。應(yīng)加大其傳播力度，提升其傳播至中國(guó)電影市場(chǎng)的電影數(shù)量、電影類型。

日本電影在特效方面表現(xiàn)平平是因?yàn)樵谖覀兯x取的2017—2020年的41部日本電影中動(dòng)漫所占比率約為75%。動(dòng)漫不需要很復(fù)雜的特效，只求畫(huà)面美觀。這也是日本電影藝術(shù)特征情感得分較高的原因。日本電影演員特征得分較低，究其原因是動(dòng)漫中不涉及真人表演，觀眾對(duì)少數(shù)上映的真人電影評(píng)論熱度低，對(duì)日本演員不熟悉。從圖7中可以看出日本藝術(shù)特征和導(dǎo)演/團(tuán)隊(duì)特征情感得分領(lǐng)先于其他國(guó)家（地區(qū)）。日本電影在中國(guó)營(yíng)銷時(shí)可以注重導(dǎo)演/團(tuán)隊(duì)的介紹，海報(bào)制作，主題曲的營(yíng)銷傳播等，同時(shí)應(yīng)該提升傳播至中國(guó)電影市場(chǎng)的電影類型。

3.3 中國(guó)觀眾對(duì)不同來(lái)源國(guó)電影整體滿意度比較分析

利用公式6來(lái)計(jì)算中國(guó)觀眾對(duì)各個(gè)國(guó)家（地區(qū)）的整體滿意度得分。計(jì)算結(jié)果如圖4所示：

圖4 中國(guó)觀眾對(duì)四個(gè)國(guó)家（地區(qū)）電影整體滿意度對(duì)比

整體來(lái)看，中國(guó)觀眾對(duì)歐洲電影的整體滿意度最高。其次是美國(guó)電影、日本電影，最后是中國(guó)電影。中國(guó)電影盡管在動(dòng)作方面領(lǐng)先其它另外三個(gè)國(guó)家（地區(qū)），但是動(dòng)作所占的權(quán)重是其他電影特質(zhì)中占比最低的。換言之，中國(guó)觀眾對(duì)電影的動(dòng)作方面關(guān)注度不高，他們更偏好擁有好故事、設(shè)定好角色以及演員演技和特效制作方面。這使得中國(guó)觀眾對(duì)故事方面領(lǐng)先的歐洲電影以及特效方面領(lǐng)先的美國(guó)電影滿意度更高。日本電影在中國(guó)電影市場(chǎng)放映的更多的是動(dòng)漫，這樣就使得演員方面是日本電影較為欠缺的部分，加之中國(guó)觀眾對(duì)演員這一特質(zhì)關(guān)注度較高，所以藝術(shù)方面遙遙領(lǐng)先的日本電影在整體方面表現(xiàn)不佳。總之，提升整體滿意度最有效的途徑是抓住觀眾的最在意的電影特質(zhì)，即權(quán)重最高的電影特質(zhì)：故事、角色。

4 研究結(jié)論及管理啟示

本研究利用文本挖掘技術(shù)爬取豆瓣上2017—2020年在中國(guó)電影市場(chǎng)上映的中國(guó)電影、美國(guó)電影、歐洲電影以及日本電影的在線影評(píng)進(jìn)行需求挖掘，利用詞頻統(tǒng)計(jì)法與Word2vec特征提取法對(duì)所收集到的影評(píng)進(jìn)行特征提取，將電影特征分為故事、角色、演員、導(dǎo)演/團(tuán)隊(duì)、特效、動(dòng)作以及藝術(shù)七大類，分別測(cè)算不同國(guó)家（地區(qū)）各個(gè)電影特征情感得分。又通過(guò)TF-MONO權(quán)重計(jì)算法計(jì)算出七大電影特征的權(quán)重，測(cè)算出中國(guó)觀眾對(duì)四個(gè)國(guó)家（地區(qū)）電影的整體滿意度。最終得出如下結(jié)論：

（1）中國(guó)觀眾的觀影需求有故事、角色、導(dǎo)演/團(tuán)隊(duì)、特效、藝術(shù)、演員、動(dòng)作七類。

本文的新發(fā)現(xiàn)在于：以往關(guān)于電影觀眾滿意度的研究在對(duì)電影特質(zhì)進(jìn)行分類時(shí)往往根據(jù)主觀判斷，本文結(jié)合詞頻統(tǒng)計(jì)和word2vec對(duì)觀眾在意的電影特質(zhì)類別進(jìn)行了更為系統(tǒng)、客觀的分類。并根據(jù)TF-MONO權(quán)重計(jì)算結(jié)果識(shí)別故事和角色的權(quán)重最高。Yu-Chen Hung和關(guān)沖[41]對(duì)電影梗概進(jìn)行研究，結(jié)果表明，電影劇情中包含的語(yǔ)言線索與消費(fèi)者在閱讀電影梗概時(shí)產(chǎn)生的心理預(yù)期一致時(shí)會(huì)在一定程度上促進(jìn)電影票房增長(zhǎng)。觀影者之所以關(guān)注電影梗概是因?yàn)楣８胖邪擞^影者所看重的故事這一電影特征，這與我們的研究結(jié)果是一致的。

（2）根據(jù)中國(guó)觀眾對(duì)中國(guó)電影動(dòng)作特征表現(xiàn)為高滿意；對(duì)美國(guó)電影的特效、角色、演員這三個(gè)特征滿意度較高；歐洲電影的故事較其他三個(gè)來(lái)源國(guó)電影表現(xiàn)更為突出。日本電影的藝術(shù)、導(dǎo)演/團(tuán)隊(duì)特征更能使中國(guó)觀眾滿意。整體來(lái)看，中國(guó)觀影者對(duì)歐洲電影整體滿意度最高，其次是美國(guó)電影、日本電影，最后是中國(guó)電影。

本文進(jìn)一步對(duì)高評(píng)分電影特征的影評(píng)進(jìn)行可視化分析，結(jié)果顯示高評(píng)分的故事具有完整、真實(shí)、有趣、幽默、溫馨、感動(dòng)、輕松等特點(diǎn)；高評(píng)分的角色具有立體、飽滿、真實(shí)的特點(diǎn)。中國(guó)觀眾感知需求在于故事、角色，歐洲電影故事特征情感得分在四個(gè)國(guó)家（地區(qū)）最高，使得中國(guó)觀眾對(duì)歐洲電影整體滿意度最高。因此，把握觀眾最在意的電影屬性類別是提升觀眾整體滿意度的最有效的方式。

本研究的結(jié)論為不同國(guó)家/地區(qū)來(lái)源國(guó)電影在中國(guó)電影市場(chǎng)的營(yíng)銷提供了以下啟示：

（1）提升電影觀眾整體滿意度的關(guān)鍵在于講好故事、塑造好角色。電影的制作往往需要耗費(fèi)大量的成本，電影制片商應(yīng)根據(jù)電影觀眾的需求所在進(jìn)行合理的資源配置，用盡可能低的成本提升電影質(zhì)量。應(yīng)該將較多關(guān)注故事的講述、情節(jié)的設(shè)計(jì)、角色的塑造以及自身優(yōu)勢(shì)的凸顯，還要縮減不必要的成本投入。比如美國(guó)電影的演員特征、特效特征評(píng)分較高，則可以考慮在這兩方面進(jìn)行高投入，繼續(xù)以精湛的特效、強(qiáng)大的陣容保持自身的優(yōu)勢(shì)。而對(duì)于演員滿意度較低的日本電影應(yīng)盡小縮減這方面的成本投入。

（2）不同國(guó)家的電影在傳播至中國(guó)電影市場(chǎng)時(shí)要進(jìn)行有側(cè)重點(diǎn)的營(yíng)銷宣傳。簡(jiǎn)短的宣傳片和營(yíng)銷海報(bào)要能夠突出重點(diǎn)來(lái)吸引中國(guó)觀眾。比如日本電影宣傳的側(cè)重點(diǎn)可以體現(xiàn)在優(yōu)美的主題曲，導(dǎo)演、制作團(tuán)隊(duì)的宣傳，還有歐洲電影的故事情節(jié)，美國(guó)電影的特效、陣容以及國(guó)產(chǎn)電影的動(dòng)作等，盡可能凸顯自身優(yōu)勢(shì)。利用中國(guó)觀眾對(duì)該國(guó)家電影的刻板印象進(jìn)行有效宣傳。

本研究也存在一些不足：首先，本研究的樣本中只包含上映數(shù)量較多的國(guó)產(chǎn)電影、美國(guó)電影、歐洲電影以及日本電影，沒(méi)有考慮一些其他的來(lái)源國(guó)電影，如印度電影等。未來(lái)研究可以將這些來(lái)源國(guó)（地區(qū)）電影也考慮在內(nèi)，甚至可以考慮未在大熒幕上映的、僅僅在媒體播放平臺(tái)上播放的更多來(lái)源國(guó)（地區(qū)）電影。其次，本研究?jī)H僅考慮到部分樂(lè)意在社交媒體網(wǎng)站（這里特指豆瓣）上發(fā)表評(píng)論的觀眾的意見(jiàn)，并沒(méi)有考慮到一部分沒(méi)有上網(wǎng)評(píng)價(jià)的觀眾的意見(jiàn)。未來(lái)的研究可以嘗試線上線下相結(jié)合的方法獲得更全面的樣本。