鄔麗云,曲洲青

(1.中國傳媒大學(xué) 理學(xué)院,北京 100024;2.中國傳媒大學(xué)計算機學(xué)院,北京 100024)

基于BP神經(jīng)網(wǎng)絡(luò)的收視率預(yù)測

鄔麗云1,曲洲青2

(1.中國傳媒大學(xué) 理學(xué)院,北京 100024;2.中國傳媒大學(xué)計算機學(xué)院,北京 100024)

目前行業(yè)內(nèi)預(yù)測收視率的方法均沒有考慮收視率自身的長期相對穩(wěn)定的特點,導(dǎo)致預(yù)測結(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)、容錯性好的特點,設(shè)計了電視收視率預(yù)測系統(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)測模型。實驗結(jié)果表明,應(yīng)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測的節(jié)目收視率數(shù)據(jù)精度較高。

收視率;預(yù)測;BP神經(jīng)網(wǎng)絡(luò)

1 引言

在當(dāng)今信息社會,電視收視率不僅是電視節(jié)目的測評標(biāo)準(zhǔn),更是電視臺、制片商、廣告代理機構(gòu)和廣告主在電視節(jié)目經(jīng)營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)對收視率預(yù)測有較多的研究,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)測的方法大多數(shù)沒有考慮收視率數(shù)據(jù)自身的長期穩(wěn)定性,因而預(yù)測的結(jié)果一般精度不夠高。本文提出了一種新的預(yù)測收視率數(shù)據(jù)的方法,即運用人工神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘工具對電視節(jié)目的收視情況進行預(yù)測,通過建立收視率指標(biāo)體系的建立和預(yù)測模型,在電視節(jié)目播出之前利用相關(guān)的歷史數(shù)據(jù)進行學(xué)習(xí)訓(xùn)練,找到合適的網(wǎng)絡(luò)模型,對尚未播出的電視節(jié)目的收視數(shù)據(jù)做出預(yù)測性的輸出。

2 收視率預(yù)測指標(biāo)體系的建立

表1 收視率預(yù)測指標(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)、電視臺等提供服務(wù)信息的特點,在遵循全面性、系統(tǒng)性、可比性和科學(xué)性等指標(biāo)設(shè)計原則基礎(chǔ)上,建立了如表1的二級結(jié)構(gòu)的收視率預(yù)測指標(biāo)體系。

3 收視率預(yù)測系統(tǒng)模型的構(gòu)建

3.1 預(yù)測模型的選取

人工神經(jīng)網(wǎng)絡(luò)作為一種并行的計算模型,因其具有自學(xué)習(xí)、自組織和良好的容錯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)測具有長期相對穩(wěn)定的特點,可以根據(jù)觀眾的歷史收視數(shù)據(jù)推測電視節(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)測可以選用神經(jīng)網(wǎng)絡(luò)作為預(yù)測模型。

3.2 BP神經(jīng)網(wǎng)絡(luò)的計算過程

BP(Back-Proragation)神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的一個典型模型,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)過程是一個反復(fù)迭代的過程,由信號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,或進行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。對大量的樣本數(shù)據(jù)進行“學(xué)習(xí)”后,網(wǎng)絡(luò)的各個權(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)就可以對樣本的屬性進行自動的推理和識別。[3]

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

根據(jù)收視率預(yù)測指標(biāo)體系的結(jié)構(gòu),系統(tǒng)選用3層BP神經(jīng)網(wǎng)絡(luò)對收視率進行預(yù)測,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神經(jīng)元實現(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個二級指標(biāo)為網(wǎng)絡(luò)輸入層的15個神經(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)點數(shù)選擇太少,會使得網(wǎng)絡(luò)的非線性映射功能和容錯性較差;而若隱含層結(jié)點數(shù)選擇過多,又會導(dǎo)致學(xué)習(xí)時間增加,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)點數(shù)需要網(wǎng)絡(luò)在訓(xùn)練時確定。根據(jù)前人的經(jīng)驗定律[5]:隱含層結(jié)點數(shù) =輸出層結(jié)點數(shù) +0.618(輸入結(jié)點數(shù)-輸出結(jié)點數(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個神經(jīng)元,分別對應(yīng)5個一級指標(biāo)的評價預(yù)測結(jié)果以及1個最后的收視率預(yù)測結(jié)果。

4 實例計算與分析

在對訓(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、覆蓋各個播出時間段的原則,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。對于每個樣本數(shù)據(jù),本文根據(jù)表1的評價體系把其對應(yīng)于15個二級評價指標(biāo),且由于神經(jīng)網(wǎng)絡(luò)的輸入是數(shù)值,所以還需要對各二級指標(biāo)的模糊評價量化,根據(jù)文獻對五個指標(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)播放時段X51,本文設(shè)黃金時間18:30-20:30中播出的節(jié)目X51為5,時段20:30-22:30中播出的節(jié)目X51為4,次黃金時間12:00-13:15和17:30-18:30時段中播出的節(jié)目的X51為3,依次類推 。[4]

在對訓(xùn)練樣本的數(shù)據(jù)進行網(wǎng)絡(luò)訓(xùn)練時,考慮到網(wǎng)絡(luò)的規(guī)模和學(xué)習(xí)時間,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。

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個電視節(jié)目作為測試對象,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、北京臺、地方臺等主要電視臺。經(jīng)過對這10個節(jié)目進行二級指標(biāo)體系的對照分類量化處理后,輸入神經(jīng)網(wǎng)絡(luò)預(yù)測模型中進行測試,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)測系統(tǒng)模型能夠滿足電視臺對節(jié)目收視率的預(yù)測需求,在誤差允許的范圍內(nèi)可以對收視率進行有效預(yù)測。當(dāng)然,因為電視節(jié)目是與時俱進的,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)測結(jié)果的持續(xù)有效性。

圖2 訓(xùn)練誤差曲線

圖3 測試節(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)測系統(tǒng)模型,經(jīng)過對系統(tǒng)模型訓(xùn)練和測試分析,預(yù)測的結(jié)果與實際收視率的誤差在 ±0.2%之間,證明了BP神經(jīng)網(wǎng)絡(luò)在收視率預(yù)測中的應(yīng)用是有效的。它可以為電視臺工作人員等在創(chuàng)建頻道和新節(jié)目上提供了很大的幫助,同時還能幫助電視臺在廣告時段預(yù)售時提供準(zhǔn)確的報價參考,減少了由于收視率沒有達到預(yù)期值的賠償幾率,更好地提高電視臺的經(jīng)濟效益和企業(yè)信譽。

表2 10個測試節(jié)目的五個一級指標(biāo)和收視率的預(yù)測值

[1]涂娟娟,劉同明.基于決策樹的電視節(jié)目收視率預(yù)測模型[J].微計算機信息,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算法的公司債券財務(wù)質(zhì)量評級[J].計算機工程與應(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

中國傳媒大學(xué)理科基金(YNG0811)

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

(責(zé)任編輯

:王謙)