摘要:本文從中國電影市場實(shí)際出發(fā),選擇導(dǎo)演、題材、主演、編劇、區(qū)域?yàn)橛捌u分的影響特征,對其做特征工程處理,提出了基于隨機(jī)森林算法的電影評分預(yù)測模型。
關(guān)鍵詞:隨機(jī)森林;電影評分;數(shù)據(jù)挖掘;機(jī)器學(xué)習(xí)
隨著數(shù)據(jù)挖掘技術(shù)的成熟,目前可以運(yùn)用數(shù)據(jù)挖掘技術(shù)從大量的數(shù)據(jù)中挖掘到事物間的聯(lián)系并預(yù)測其發(fā)展方向。電影評分預(yù)測模型可以在電影上映前預(yù)測其評分,觀眾就可以根據(jù)預(yù)測評分有選擇地觀影,電影院也可以選擇性制定排片計(jì)劃,電影周邊產(chǎn)業(yè)也有了參考。
一、隨機(jī)森林算法
隨機(jī)森林回歸模型就是綜合幾個(gè)創(chuàng)建好的決策樹模型,其預(yù)測結(jié)果由所有決策樹模型的預(yù)測結(jié)果平均得到。算法基本步驟如下:
(一)抽樣:在訓(xùn)練數(shù)據(jù)集S中進(jìn)行有放回抽樣,得到K組數(shù)據(jù)集,每組數(shù)據(jù)集分為兩種,抽中和未抽中的,每組數(shù)據(jù)集通過訓(xùn)練生成決策樹。
(二)生長:利用訓(xùn)練數(shù)據(jù)訓(xùn)練每棵決策樹。
(三)利用未被抽中的數(shù)據(jù)檢驗(yàn)?zāi)P蜏?zhǔn)確度。
(四)用最終模型預(yù)測新數(shù)據(jù)集,全部決策樹的預(yù)測結(jié)果取平均值就是最終預(yù)測結(jié)果。
二、基于隨機(jī)森林算法的電影評分預(yù)測模型
根據(jù)中國大陸電影市場現(xiàn)實(shí)情況,實(shí)驗(yàn)選導(dǎo)演、編劇、主演、類型、國家地區(qū)作為特征。
(一)導(dǎo)演水平特征
把影片評分和評價(jià)人數(shù)當(dāng)作一個(gè)特征組合來表示導(dǎo)演水平特征,如公式(2-1)所示:
Director= ,n=min(5,n) ? ? ? ? ? ? ? ? ? ? ? (2-1)
n表示導(dǎo)演執(zhí)導(dǎo)該部電影之前最近執(zhí)導(dǎo)的n部電影,n≦5;Rk表示導(dǎo)演拍攝的第k部電影的評分;Pk表示評分人數(shù)。
(二)編劇水平特征
本實(shí)驗(yàn)取編劇所創(chuàng)作的距離這部電影最近的n部電影,n≦5,如公式(2-2)所示:
Writer= ,n=min(5,n) ? ? ? ? ? ? ? ? ? ? ? ? (2-2)
Rk表示編劇創(chuàng)作的第k部電影的評分;Pk表示編劇創(chuàng)作的第k部電影的評分人數(shù)。
(三)演員水平特征:
本實(shí)驗(yàn)選演員主演的距離該電影上映時(shí)間最近的n部同種題材電影,n≦5,主演水平特征如公式(2-3)所示:
Actor= ?,n=min(5,n),m=主要參演人員 ? ?(2-3)
Rik表示第i位主演拍攝第k部電影的評分;Pik表示評分人數(shù);Wi表示主演在該電影所占權(quán)重。主演為2人時(shí),權(quán)重為:0.6,0.4;主演為3人時(shí),權(quán)重為:0.5,0.3,0.2;主演為4人及以上時(shí),權(quán)重為0.4,0.3,0.2,0.1。
(四)題材類型
本實(shí)驗(yàn)選取上一年該類型的所有電影,計(jì)算其平均得分作為此題材電影的綜合評分,見公式(2-4)與(2-5):
Type= Ri*Wi,n=min(5,n) ? ? ? ? ? ? ? ? ? ? ? ? ? ?(2-4)
Ri= ,n=選取范圍內(nèi)類型為i的電影數(shù)量 ? ? ? ?(2-5)
Rik表示第k部i類型電影評分;Pik表示評分人數(shù);Ri表示綜合評分;Wi表示權(quán)重。
(五)區(qū)域特征
本實(shí)驗(yàn)參考上一年此區(qū)域電影平均得分,計(jì)算得到此電影的參考評分,見公式(2-6):
Country= ,n=選取范圍內(nèi)同國家地區(qū)的電影數(shù)量 ?(2-6)
Rk表示第k部電影的評分;Pk表示第k部電影的評分人數(shù)。
三、實(shí)驗(yàn)和結(jié)果分析
(一)實(shí)驗(yàn)過程
隨機(jī)森林算法回歸建模:
本實(shí)驗(yàn)采用spark mllib中的random forest包來實(shí)現(xiàn)隨機(jī)森林算法。我們把處理好的特征和影片評分轉(zhuǎn)換成Labeledpoint,Labeledpoint表示帶標(biāo)簽的數(shù)據(jù)點(diǎn),構(gòu)造的Labeledpoint如公式(3-1)
(Rate,{Director,Wrter,Cast,Type,Country}) ? ? ? ? ? ?(3-1)
利用mllibtree.RandomForest的trainRegressor()方法構(gòu)建隨機(jī)森林回歸模型。該方法返回一個(gè)weightedEnsembleModel對象,本實(shí)驗(yàn)使用它的predict()方法預(yù)測測試集。然后,把測試數(shù)據(jù)輸入到建立好的隨機(jī)森林模型中進(jìn)行預(yù)測。
(二)實(shí)驗(yàn)結(jié)果
基于隨機(jī)森林回歸模型使用數(shù)據(jù)集中5部電影,本實(shí)驗(yàn)分別對這些電影的評分進(jìn)行預(yù)測。將這5部電影的相關(guān)數(shù)據(jù)輸入模型,計(jì)算所有的電影得分。結(jié)果如表1。
從表2可以發(fā)現(xiàn),基于隨機(jī)森林算法的電影預(yù)測模型的預(yù)測結(jié)果和電影的真實(shí)評分總體上區(qū)別不大。
四、總結(jié)和展望
本文從中國電影市場實(shí)際出發(fā),選擇導(dǎo)演、題材、主演、編劇、區(qū)域?yàn)橛捌u分的影響特征,對其做特征工程處理,提出了基于隨機(jī)森林算法的電影評分預(yù)測模型。該模型能夠?yàn)榇蟊娡扑]電影提供有價(jià)值的參考,具有實(shí)際的意義。
參考文獻(xiàn)
[1]耿娟,郭明欣.豆瓣Top250電影數(shù)據(jù)挖掘及評分預(yù)測[J].河北企業(yè), 2021(02):11-13.
[2]陸君之.基于隨機(jī)森林回歸算法的電影評分預(yù)測模型[J].江蘇通信, 2018,34(01):75-78.
[3]劉明昌.豆瓣網(wǎng)站電影在線評分的混合預(yù)測模型研究[D].河北大學(xué), 2017.
[4]呂紅燕,馮倩.隨機(jī)森林算法研究綜述[J].河北省科學(xué)院學(xué)報(bào),2019,36 (03):37-41.
作者簡介
王紫薇(1997—),女,漢族,遼寧沈陽人,學(xué)生,碩士,天津工業(yè)大學(xué)經(jīng)濟(jì)與管理學(xué)院,研究方向:數(shù)據(jù)挖掘與建模。