趙禮強(qiáng)，姜 崇，唐金環(huán) (沈陽(yáng)航空航天大學(xué) 經(jīng)濟(jì)與管理學(xué)院，沈陽(yáng) 110136)

知識(shí)產(chǎn)權(quán)(Intellectual Property)簡(jiǎn)稱IP，是時(shí)下最為流行且備受關(guān)注的名詞。網(wǎng)絡(luò)小說IP的改編在國(guó)外已有先例，J·K·羅琳創(chuàng)作的《哈利波特》、英國(guó)作家約翰·羅納德·魯埃爾·托爾金的史詩(shī)奇幻小說《指環(huán)王》，蘇珊·柯林斯創(chuàng)作的《饑餓游戲》等小說改編的電影都獲得了巨大的成功。2015年國(guó)內(nèi)IP熱潮開始，改編網(wǎng)絡(luò)文學(xué)IP在影視圈掀起了熱潮，許多網(wǎng)絡(luò)小說改編成了影視劇，因此2015年也被稱為“IP元年”。2015年年初《何以笙簫默》、《花千骨》、《瑯琊榜》，以及年尾上映的《羋月傳》等幾大網(wǎng)絡(luò)文學(xué)改編劇輪流坐擁電視收視率排行榜第一。同時(shí)，由《鬼吹燈之尋龍?jiān)E》、《九層妖塔》、《匆匆那年》等網(wǎng)絡(luò)小說改編的電影也大獲成功。網(wǎng)絡(luò)文學(xué)IP借助其天然的獨(dú)特優(yōu)勢(shì)，成為了影視業(yè)、游戲業(yè)等諸多行業(yè)的新寵，版權(quán)價(jià)值也在水漲船高。凱撒股份于2016年3月22日公告稱以總額1億元授權(quán)金，獲得騰訊動(dòng)漫《從前有座靈劍山》、《銀之守墓人》、《我的雙修道侶》等若干個(gè)IP的改編授權(quán)。

判斷一部網(wǎng)絡(luò)小說擁有的隱含價(jià)值量是決定改編成功的關(guān)鍵，但網(wǎng)絡(luò)小說有其特殊的持續(xù)消費(fèi)特征，隱含價(jià)值量并非穩(wěn)定不變，對(duì)隱含價(jià)值量的錯(cuò)誤估計(jì)會(huì)嚴(yán)重影響運(yùn)營(yíng)商的運(yùn)營(yíng)計(jì)劃，增加無形成本，降低商業(yè)利潤(rùn)?；谝陨蠁栴}的考慮，本文運(yùn)用大數(shù)據(jù)對(duì)網(wǎng)絡(luò)小說隱含價(jià)值量進(jìn)行預(yù)測(cè)，希望為網(wǎng)絡(luò)小說運(yùn)營(yíng)商提供指導(dǎo)借鑒。

目前，國(guó)內(nèi)外一些專家針對(duì)電影票房和電視劇熱度等進(jìn)行了預(yù)測(cè)研究。比如RameshSharda[1]等通過美國(guó)各大院線公司獲取樣本數(shù)據(jù)，采用對(duì)電影票房分類的方式，使用分類正確率來判斷模型分類的性能，對(duì)比回歸算法得到了更好的結(jié)果。王煉[2]等根據(jù)網(wǎng)絡(luò)搜索與電影票房之間的關(guān)聯(lián)展開研究，驗(yàn)證了網(wǎng)絡(luò)搜索對(duì)電影票房的預(yù)測(cè)作用，提高了預(yù)測(cè)的準(zhǔn)確性。同時(shí)Kulkarni G[3]也通過對(duì)網(wǎng)絡(luò)搜索數(shù)據(jù)建立銷售預(yù)測(cè)驗(yàn)證兩者之間的關(guān)聯(lián)關(guān)系,說明網(wǎng)絡(luò)搜索數(shù)據(jù)在電影票房的預(yù)測(cè)是一個(gè)關(guān)鍵而有顯著影響的變量。Sawhney M S[4]等建立電影預(yù)測(cè)模型分析評(píng)論正向情感傾向?qū)﹄娪捌狈康年P(guān)聯(lián)影響，研究表明，只有第三周的在線影評(píng)正向情感傾向顯著影響電影票房，且影響程度大于影評(píng)數(shù)量。Byeng-Hee Chang[5]等通過建立預(yù)測(cè)模型成功預(yù)測(cè)北美地區(qū)電影票房，為電影產(chǎn)業(yè)的市場(chǎng)風(fēng)險(xiǎn)提供具有現(xiàn)實(shí)指導(dǎo)意義的風(fēng)險(xiǎn)安全規(guī)避決策。De′Ath G[6]等采用四分位對(duì)數(shù)據(jù)進(jìn)行等級(jí)劃分，建立評(píng)價(jià)標(biāo)準(zhǔn)的思想具有很好的借鑒性。張虹[7]等基于小波多尺度分析，根據(jù)不同信號(hào)的話題借用神經(jīng)網(wǎng)絡(luò)建立不同的預(yù)測(cè)模型，隨后組合獲得最終預(yù)測(cè)，預(yù)測(cè)精度表現(xiàn)良好。趙妍妍[8等將微博傾向性分析作為一個(gè)分類問題，與小波多尺度分析有著相似的思想，目的是希望判斷評(píng)論的總體情感傾向性，對(duì)電影票房的預(yù)測(cè)有很好的指導(dǎo)作用。張?jiān)凑腫9]基于讀者瀏覽行為建立狹義點(diǎn)擊流數(shù)據(jù)進(jìn)行讀者需求可視化分析，創(chuàng)建出多條關(guān)聯(lián)規(guī)則得出讀者信息需求規(guī)律，為圖書館決策和創(chuàng)新服務(wù)提供科學(xué)依據(jù)。易明[10]等研究的點(diǎn)擊流與網(wǎng)絡(luò)小說的點(diǎn)擊量存在相似的意義，對(duì)點(diǎn)擊流的站點(diǎn)信息組織優(yōu)化可以為網(wǎng)絡(luò)小說隱含價(jià)值量的定義提供借鑒。Igmcio Redondo[11]等認(rèn)為明星的關(guān)注數(shù)量、過去電影票房收入、藝術(shù)成就對(duì)電影票房的收入有著很強(qiáng)的關(guān)聯(lián)關(guān)系，可以通過對(duì)明星影響力的量化可以對(duì)電影票房收入進(jìn)行建模預(yù)測(cè)。利用分類技術(shù)，可以通過對(duì)系統(tǒng)相似電視劇的點(diǎn)播量來預(yù)測(cè)電視劇的點(diǎn)擊量，Pinto H[12]基于此種思想展開研究并獲得較好的預(yù)測(cè)效果。S.Asur[13]等借助Twitter電影相關(guān)話題的創(chuàng)建速率等對(duì)電影的票房進(jìn)行預(yù)測(cè)，獲得了較好的預(yù)測(cè)效果，發(fā)現(xiàn)以美國(guó)為主的Twitter用戶數(shù)據(jù)與中國(guó)網(wǎng)絡(luò)用戶數(shù)據(jù)之間存在著地域文化差異。Henrique Pinto[14]借助分類技術(shù)，搜尋出待預(yù)測(cè)電視劇早期點(diǎn)播“相近”電視劇的點(diǎn)播情況，與數(shù)據(jù)庫(kù)中已經(jīng)存在的電視劇數(shù)據(jù)做關(guān)聯(lián)分析，對(duì)電視劇后期點(diǎn)播量加以預(yù)測(cè)。

網(wǎng)絡(luò)小說IP與電影有著類似的特征，但又有其自身的特點(diǎn)。目前國(guó)內(nèi)外還鮮有學(xué)者針對(duì)網(wǎng)絡(luò)小說IP的潛在隱含價(jià)值進(jìn)行預(yù)測(cè)。網(wǎng)絡(luò)小說與電影票房預(yù)測(cè)主要存在以下不同：首先，網(wǎng)絡(luò)小說在完結(jié)前處于持續(xù)消費(fèi)狀態(tài)，根據(jù)內(nèi)容的變化，讀者基群會(huì)出現(xiàn)讀者流失與新讀者加入的現(xiàn)象，隱含價(jià)值量處于不斷變化的狀況，而電影票房則是屬于一次性消費(fèi)，觀眾流失影響并不顯著；其次，網(wǎng)絡(luò)小說的隱含價(jià)值量是一個(gè)綜合指標(biāo)，包含網(wǎng)絡(luò)小說本身的閱讀消費(fèi)和潛在改編電影或者游戲的潛在商業(yè)價(jià)值關(guān)聯(lián)作用，而電影票房則較為單一。因此，通過數(shù)據(jù)挖掘分析，分析網(wǎng)絡(luò)小說IP存在的潛在隱含價(jià)值，分析網(wǎng)絡(luò)IP熱潮背后隱藏的關(guān)聯(lián)關(guān)系，幫助網(wǎng)絡(luò)小說運(yùn)營(yíng)商發(fā)現(xiàn)黑馬小說，挖掘其商業(yè)潛力，準(zhǔn)確預(yù)測(cè)網(wǎng)絡(luò)小說IP價(jià)值，對(duì)網(wǎng)絡(luò)小說運(yùn)營(yíng)商具有重要的決策指導(dǎo)意義。

1 數(shù)據(jù)收集與模型構(gòu)建

1.1 數(shù)據(jù)收集

起點(diǎn)中文網(wǎng)隸屬于國(guó)內(nèi)最大的數(shù)字內(nèi)容綜合平臺(tái)—閱文集團(tuán)旗下，是國(guó)內(nèi)最大文學(xué)閱讀與寫作平臺(tái)之一，也是目前國(guó)內(nèi)領(lǐng)先的原創(chuàng)文學(xué)門戶網(wǎng)站，確立了行業(yè)領(lǐng)導(dǎo)地位，具有很高的影響力。本文以起點(diǎn)中文網(wǎng)為平臺(tái)，運(yùn)用八爪魚數(shù)據(jù)采集工具對(duì)起點(diǎn)中文網(wǎng)排名榜上的網(wǎng)絡(luò)小說網(wǎng)頁(yè)數(shù)據(jù)進(jìn)行抓取，從2016年05月24日至25日歷時(shí)32小時(shí)抓取3 118部小說，總計(jì)7萬余條數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行整理后，將數(shù)據(jù)文檔輸出為 ARFF格式，在Weka平臺(tái)進(jìn)行數(shù)據(jù)處理及挖掘分析。

1.2 變量選擇

網(wǎng)絡(luò)小說的隱含價(jià)值量是一個(gè)多元綜合性概念，但網(wǎng)絡(luò)小說價(jià)值的基礎(chǔ)是觀眾受眾的大小，所有的商業(yè)價(jià)值都源于觀眾的喜愛。由于網(wǎng)絡(luò)小說的點(diǎn)擊量是一個(gè)直觀而具有說服力的重要指標(biāo)，反映了一部網(wǎng)絡(luò)小說的受歡迎度，點(diǎn)擊量越大說明觀眾受眾越多。因此，本文選擇通過點(diǎn)擊量來刻畫網(wǎng)絡(luò)小說的隱含價(jià)值量，即因變量,而選取總推薦量、總字?jǐn)?shù)、總評(píng)論數(shù)、總回復(fù)數(shù)4個(gè)指標(biāo)為自變量進(jìn)行預(yù)測(cè)，變量選擇及涵義如表1所示。

表1 網(wǎng)絡(luò)小說預(yù)測(cè)數(shù)據(jù)變量定義

1.3 數(shù)據(jù)預(yù)處理

網(wǎng)絡(luò)小說具有一個(gè)較長(zhǎng)的成長(zhǎng)周期，而點(diǎn)擊量等數(shù)據(jù)也會(huì)隨著時(shí)間的遷移逐漸變大，對(duì)于優(yōu)秀且成功的網(wǎng)絡(luò)小說，這個(gè)數(shù)值的增長(zhǎng)速度和最終的數(shù)值都是非常巨大的。因此，本文對(duì)整個(gè)實(shí)例集在WEKA平臺(tái)上進(jìn)行規(guī)范化數(shù)據(jù)預(yù)處理。針對(duì)以上變量的取值進(jìn)行數(shù)據(jù)預(yù)處理后的數(shù)據(jù)格式如圖1所示。

圖1 網(wǎng)絡(luò)小說變量數(shù)據(jù)預(yù)處理結(jié)果圖

1.4 模型構(gòu)建

最早將樹結(jié)構(gòu)應(yīng)用到回歸預(yù)測(cè)問題的是1984年Breiman[15]等提出的分類回歸樹-CART，這種樹結(jié)構(gòu)輸出的是每個(gè)葉子結(jié)點(diǎn)目標(biāo)屬性的平均值，盡可能地逼近回歸。1992年，在分類回歸樹的基礎(chǔ)上，Quinlan[16]提出了分段式多元線性回歸樹即M5模型樹，為了進(jìn)一步解決預(yù)測(cè)問題，1997年Wang[17]等人對(duì)M5模型樹進(jìn)行重構(gòu)改進(jìn)，形成了M5模型樹?？紤]到對(duì)點(diǎn)擊量的預(yù)測(cè)是一個(gè)數(shù)值預(yù)測(cè)而且由于M5模型樹擁有效率高、魯棒性好等優(yōu)點(diǎn)，該模型可以進(jìn)行有效的學(xué)習(xí)，同時(shí)本模型處理輸入屬性數(shù)據(jù)可以達(dá)到幾百維的范圍，基于此本文采用M5模型樹算法建立模型進(jìn)行預(yù)測(cè)。M5模型樹組合了樹結(jié)構(gòu)和線性回歸模型，每個(gè)葉子節(jié)點(diǎn)是一個(gè)線性回歸模型，用一系列分段線性模型組合起來的全局模型，為處理問題帶來了所需的非線性。

本文選擇的3118部網(wǎng)絡(luò)小說大多已經(jīng)完結(jié)，或是更新至少一年以上，其點(diǎn)擊量達(dá)到一定規(guī)模，增長(zhǎng)速度相對(duì)穩(wěn)定，并達(dá)到了預(yù)測(cè)的要求，因此選擇作為點(diǎn)擊量的預(yù)測(cè)數(shù)據(jù)具有說服力。將篩選后的數(shù)據(jù)在WEKA平臺(tái)進(jìn)行建模預(yù)測(cè)，得到的M5模型樹如圖2所示。

圖2 M5模型樹預(yù)測(cè)模型結(jié)果圖

在模型樹的每一個(gè)葉節(jié)點(diǎn)都有一個(gè)線性回歸模型，共有LM1—LM10 10個(gè)線性回歸模型，具體模型展示如表2所示。

2 結(jié)果分析

建立M5決策樹模型后的識(shí)別結(jié)果如表3所示。

為了進(jìn)一步確認(rèn)M5模型樹的模型精度，本文同時(shí)采用線性回歸算法和梯度下降分類樹算法對(duì)以上問題建立模型進(jìn)行了預(yù)測(cè)，與M5模型樹結(jié)果進(jìn)行對(duì)比分析。通過采用十折交叉驗(yàn)證的方式評(píng)估模型的誤差率，運(yùn)用關(guān)聯(lián)度R、絕對(duì)差值率MAE、均方根誤差率RMSE等指標(biāo)對(duì)模型精度進(jìn)行評(píng)估，具體結(jié)果見表4。其中關(guān)聯(lián)度R反映了模型與真實(shí)關(guān)聯(lián)函數(shù)的相似度，該值越接近1，表明模型越接近真實(shí)關(guān)聯(lián)函數(shù)；MAE用于評(píng)判預(yù)測(cè)值與實(shí)際值之間的差異度，反映個(gè)體樣本的預(yù)測(cè)效果程度，越小越好。RMSE與MAE 類似，但RMSE更側(cè)重于反映樣本總體的預(yù)測(cè)效果程度，值越小越好。

關(guān)聯(lián)度：

(1)

絕對(duì)差值：

(2)

均方根誤差：

(3)

表2 M5模型數(shù)葉節(jié)點(diǎn)線性回歸模型展示

根據(jù)表4三種算法的模型評(píng)估指標(biāo)結(jié)果，我們可以看到M5模型樹在MAE、RMSE、標(biāo)準(zhǔn)誤差和絕對(duì)平均誤差的評(píng)估指標(biāo)都優(yōu)于線性回歸模型與梯度下降分類樹的模型，相關(guān)系數(shù)更是接近1，說明M5模型樹的精度很高，具有很強(qiáng)的準(zhǔn)確性和解釋性。

3 進(jìn)一步分析及啟示

通過對(duì)M5模型樹建立的模型識(shí)別結(jié)果可以看到，本文建立的預(yù)測(cè)模型具有很好的預(yù)測(cè)精度，在MAE和RMSE的指標(biāo)反饋都較好，誤差在理想范圍內(nèi)。從M5模型樹的樹結(jié)構(gòu)可以看出，樹結(jié)構(gòu)的分支是通過總字?jǐn)?shù)來進(jìn)行劃分的，可以認(rèn)為整個(gè)樹結(jié)構(gòu)是對(duì)網(wǎng)絡(luò)小說從開始創(chuàng)作到整本完結(jié)的整個(gè)過程不同創(chuàng)作階段的劃分，由開始創(chuàng)作、逐漸成長(zhǎng)、成熟穩(wěn)定到整本完結(jié)。通過分析模型結(jié)果，我們得到以下啟示。

(1)總推薦量負(fù)面影響。總推薦量是由讀者對(duì)網(wǎng)絡(luò)小說投出的推薦票積累所得數(shù)據(jù)，其目的是為了幫助小說吸引更多的讀者，起到推薦推廣的作用。從研究結(jié)果可以看出，10個(gè)葉節(jié)點(diǎn)以上的線性模型中，總推薦量的權(quán)重系數(shù)全部為負(fù)，相對(duì)權(quán)重較小。說明總推薦量在網(wǎng)絡(luò)小說整個(gè)創(chuàng)作的不同階段對(duì)總點(diǎn)擊量的增加總是起到負(fù)相關(guān)影響，總推薦量不僅沒有存在的意義，反而成為總點(diǎn)擊量提升的障礙，成為一個(gè)耐人尋味的問題。

表3 M5模型樹模型識(shí)別結(jié)果

表4 算法模型評(píng)估指標(biāo)對(duì)比

究其原因，本文發(fā)現(xiàn)網(wǎng)絡(luò)小說得到讀者的認(rèn)可，是促使讀者投出推薦票的動(dòng)機(jī)，但一千個(gè)讀者就有一千個(gè)哈姆雷特，一部網(wǎng)絡(luò)小說無法滿足所有讀者喜好。推薦票的增加是忠實(shí)讀者貢獻(xiàn)所得，存在重復(fù)性，受個(gè)人對(duì)網(wǎng)絡(luò)小說喜好程度影響。正是這種內(nèi)心喜好的偏移，讀者只會(huì)保留推薦票贈(zèng)給自己喜好的網(wǎng)絡(luò)小說，投推薦票的行為無形中轉(zhuǎn)變成了網(wǎng)絡(luò)小說對(duì)讀者的“觀念綁架”，這種觀念綁架的出現(xiàn)不僅不會(huì)吸引新的讀者，提升點(diǎn)擊量，反而固化了讀者基群的流動(dòng)性，不利于新讀者的加入，因此產(chǎn)生了對(duì)網(wǎng)絡(luò)小說點(diǎn)擊量的負(fù)面影響。

與此同時(shí)，網(wǎng)絡(luò)小說的總推薦量的負(fù)面影響同時(shí)反映了讀者的理性閱讀，說明讀者并不會(huì)盲目相信總推薦量。讀者會(huì)根據(jù)自我喜好對(duì)網(wǎng)絡(luò)小說的內(nèi)容進(jìn)行預(yù)判之后閱讀。網(wǎng)絡(luò)小說的作者應(yīng)當(dāng)將更多的注意力放在情節(jié)設(shè)置、文筆等文章內(nèi)容的提升上，當(dāng)文章內(nèi)容得到讀者認(rèn)可時(shí)，忠實(shí)讀者數(shù)量的提高將會(huì)促進(jìn)總推薦量與總點(diǎn)擊量的提高。

(2)總字?jǐn)?shù)負(fù)面影響。網(wǎng)絡(luò)小說的總字?jǐn)?shù)一方面反映了網(wǎng)絡(luò)小說的更新時(shí)長(zhǎng)，另一方面反映了網(wǎng)絡(luò)小說內(nèi)容的豐富性與可讀性。一般認(rèn)為，更新時(shí)長(zhǎng)越長(zhǎng)點(diǎn)擊量的累積越多。網(wǎng)絡(luò)小說內(nèi)容越豐富，其對(duì)讀者的吸引力越強(qiáng)。但從研究結(jié)果可以看到，總字?jǐn)?shù)的權(quán)重系數(shù)全部為負(fù)，權(quán)重相對(duì)較大。說明總字?jǐn)?shù)在整個(gè)創(chuàng)作過程中與總點(diǎn)擊量的影響關(guān)系總是負(fù)相關(guān)，且影響程度較大，這是一個(gè)與我們常識(shí)認(rèn)知相悖的現(xiàn)象。

究其原因，在創(chuàng)作初期，由于總字?jǐn)?shù)過少無法滿足讀者閱讀需求，讀者會(huì)選擇等到章節(jié)積攢到一定數(shù)目時(shí)再選擇閱讀，因此在這個(gè)階段，總字?jǐn)?shù)對(duì)總點(diǎn)擊量起到了負(fù)相關(guān)的影響作用。當(dāng)網(wǎng)絡(luò)小說進(jìn)入成熟穩(wěn)定的階段后，由于網(wǎng)絡(luò)小說是由情節(jié)描述和情感描述及其他場(chǎng)景描述為主要寫作內(nèi)容，在情節(jié)長(zhǎng)度相同的情況下，網(wǎng)絡(luò)小說總字?jǐn)?shù)越多，說明與情節(jié)無關(guān)的描述性語(yǔ)言過多，而讀者更在意的是情節(jié)的發(fā)展，對(duì)其他描述性語(yǔ)言關(guān)注程度并不高。由于網(wǎng)絡(luò)小說更類似于一種快餐文學(xué)，過多的無關(guān)描述拖沓了情節(jié)的推進(jìn)，導(dǎo)致讀者不滿情節(jié)發(fā)展過慢而流失，從而導(dǎo)致點(diǎn)擊量的下降。因此，情節(jié)發(fā)展長(zhǎng)度相似的情況下，總字?jǐn)?shù)越多，讀者流失越多，對(duì)點(diǎn)擊量形成負(fù)面影響。

因此，這提醒網(wǎng)絡(luò)小說作者應(yīng)當(dāng)調(diào)整寫作方式，加快情節(jié)推進(jìn)速度，同時(shí)減少不必要的描述性語(yǔ)言，適當(dāng)控制總字?jǐn)?shù)，可以為點(diǎn)擊量的提升提供保障。同時(shí)，人們過于崇尚快餐文學(xué)導(dǎo)致網(wǎng)絡(luò)小說更新速度過快，文章內(nèi)容文學(xué)性降低，削弱了可讀性，這種現(xiàn)象應(yīng)當(dāng)引起社會(huì)的廣泛注意及思索。無論是網(wǎng)絡(luò)文學(xué)或是線下文學(xué)，同時(shí)滿足文學(xué)性和可讀性才能成為膾炙人口的優(yōu)秀文學(xué)作品，為中國(guó)文化的發(fā)展開枝散葉，過分追求利益的文學(xué)必定無法長(zhǎng)久留存和發(fā)展。

(3)評(píng)論回復(fù)數(shù)的負(fù)影響分析。在10個(gè)葉節(jié)點(diǎn)的線性模型中，當(dāng)總字?jǐn)?shù)權(quán)重小于0.742時(shí)，總回復(fù)數(shù)在線性模型中的權(quán)重系數(shù)均為負(fù)值。當(dāng)總字?jǐn)?shù)權(quán)重大于0.742后，總回復(fù)數(shù)在線性模型中的權(quán)重系數(shù)均為正值。說明當(dāng)總字?jǐn)?shù)超過一個(gè)臨界值后，總回復(fù)數(shù)才會(huì)對(duì)總點(diǎn)擊量起到促進(jìn)作用，而在臨界值之前，總回復(fù)數(shù)對(duì)總點(diǎn)擊量起到抑制作用。

究其原因，一部網(wǎng)絡(luò)小說從開始創(chuàng)作至整本終結(jié)，整個(gè)過程經(jīng)歷不同的時(shí)期，從開始創(chuàng)作到逐漸成熟穩(wěn)定的過程，這個(gè)成長(zhǎng)過程在M5模型樹中是通過總字?jǐn)?shù)來進(jìn)行劃分。在創(chuàng)作初期的LM1至LM3階段，由于作品的知名度較低，閱讀基群較小，對(duì)網(wǎng)絡(luò)小說的回復(fù)內(nèi)容主要表現(xiàn)出支持鼓勵(lì)作者創(chuàng)作的情感，這類評(píng)論可以帶給作者自信心和鼓勵(lì)，但卻無法對(duì)讀者起到很好的吸引作用從而加以閱讀。在這個(gè)時(shí)期，讀者并不會(huì)過多關(guān)注文章內(nèi)容，而會(huì)主觀認(rèn)為文章的水平還顯稚嫩，因此，在這段時(shí)期的總回復(fù)數(shù)在線性模型中對(duì)總點(diǎn)擊量的影響是抑制作用。

隨著網(wǎng)絡(luò)小說度過初期階段，閱讀基群不斷增長(zhǎng)，讀者將更多關(guān)注文章內(nèi)容，同時(shí)文章的回復(fù)內(nèi)容也會(huì)出現(xiàn)褒貶不一的情感。在這個(gè)時(shí)期，無論是對(duì)文章的贊揚(yáng)還是貶低，都會(huì)引發(fā)讀者對(duì)文章的好奇心，想要一探究竟[18-19]。因此，當(dāng)度過初期階段，總回復(fù)數(shù)對(duì)總點(diǎn)擊量起到促進(jìn)作用。

因此，當(dāng)度過初期的創(chuàng)作階段，及時(shí)回復(fù)評(píng)論可以促進(jìn)點(diǎn)擊量的提升，提示作者可以通過加強(qiáng)與讀者的互動(dòng)回復(fù)，通過積極的評(píng)論和回復(fù)與讀者建立信任友好的關(guān)系，可以幫助提升網(wǎng)絡(luò)作品成績(jī)[20]。但同時(shí)應(yīng)當(dāng)注重言語(yǔ)文明，作者有義務(wù)監(jiān)督評(píng)論區(qū)言論走向，盡量減少負(fù)面回復(fù)的泛化惡化，盡力營(yíng)造文明的閱讀氛圍，這樣能夠提升小說的潛在價(jià)值。

4 結(jié)論

本文針對(duì)網(wǎng)絡(luò)小說的隱含價(jià)值量進(jìn)行預(yù)測(cè)，選擇點(diǎn)擊量刻畫網(wǎng)絡(luò)小說的隱含價(jià)值量，選取總推薦量、總評(píng)論數(shù)等指標(biāo)，采用M5模型樹建立預(yù)測(cè)模型，預(yù)測(cè)模型的識(shí)別結(jié)果顯示模型具有很好的精度。透過葉節(jié)點(diǎn)中的線性模型，針對(duì)模型結(jié)果進(jìn)行分析。結(jié)果顯示網(wǎng)絡(luò)小說的總字?jǐn)?shù)、總推薦量對(duì)總點(diǎn)擊量均形成負(fù)面影響。論文分析了其產(chǎn)生的原因并給出了合理的建議和啟示，有效預(yù)測(cè)網(wǎng)絡(luò)小說IP，通過關(guān)聯(lián)分析挖掘網(wǎng)絡(luò)小說的潛在價(jià)值，可以為網(wǎng)絡(luò)小說運(yùn)營(yíng)商提供有效的決策依據(jù)和借鑒，將幫助運(yùn)營(yíng)商在眾多網(wǎng)絡(luò)小說中甄別出有潛力價(jià)值量的網(wǎng)絡(luò)小說，從而抑制由于IP熱潮引發(fā)的運(yùn)營(yíng)商盲目跟風(fēng)的社會(huì)現(xiàn)狀。

[1] RAMESH SHARDA,DURSUN DELEN.Predicting box-office success of motion pictures with neural networks[J].Expert Systems with Plications,2006,30(2):243-254.

[2] 王煉,賈建民.基于網(wǎng)絡(luò)搜索的票房預(yù)測(cè)模型-來自中國(guó)電影市場(chǎng)的證據(jù)[J].系統(tǒng)工程理論與實(shí)踐,2014,34(12):3079-3090.

[3] KULKARNI G,KANNAN P K,MOE W.Using online serach data to forecast new product sales[J].Decision Support Systems,2012,52(3):604-611.

[4] SAWHNEY M S,ELLIASHBERG J.A parsimonious model for forecasting gross box-office revenues of motion picture[J].Marketing Science,1996 ，15(2):113-131.

[5] BYENG-HEE CHANG,EYUNJUNG KI.A practical model for predicting theatrical movies success:focusing on the experience good property[J].Journal of Media Economics,2009,18(4):247-269.

[6] DE＇ATH G， FABRICUS K E.Classification and regression trees:a powerful yet simple technique for ecological data analysis ecology [J].Ecology，2000，81(11):3178-3192.

[7] 張虹,鐘華,趙兵.基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)論壇話題熱度趨勢(shì)預(yù)報(bào)[J].計(jì)算機(jī)工程與應(yīng)用,2007,43(31):159-161+174.

[8] 趙妍妍,秦兵,劉挺.文本情感分析[J].軟件學(xué)報(bào),2010,21(8):1834-1848.

[9] 張?jiān)凑?基于WEKA點(diǎn)擊流數(shù)據(jù)的讀者需求可視化分析[J].圖書館論壇,2007,27(04):67-69.

[10]易明,鄧衛(wèi)華,曹高輝.基于“點(diǎn)擊流”數(shù)據(jù)的站點(diǎn)信息組織優(yōu)化[J].現(xiàn)代圖書情報(bào)技術(shù),2006 ，22(1):51-54.

[11]IGNACIO REDONDO,MORRIS B.HOLBROOK.Modeling the appeal of movie features to demographic segments of theatrical demand[J].Journal of Cultural Economics,2010， 34(4):299-315.

[12]PINTO H,ALMEIDA J M,GONCALVES M A.Using early view patterns to predict the popularity of youtube videos[C].Proceedings of the sixth ACM international conference on Web search and data mining.NewYork，2013.

[13]S.ASUR,B.A.HUBERMAN.Predicting the future with social media[C].WebIntelligence and Intelligent Agent Technology.Toronto:IEEE,2010,7(2):492-499.

[14]HENRIQUE PINTO,JUSSARA M.ALMEIDA,MARCOS A.GONYALVES.Usingearly view patterns to predict the popularity of youtube videos[C].Proceedings ofthe sixth ACM international conference on Web search and data mining.ACM,NewYork,NY,USA,2013.

[15]BREIMAN L ， FRIEDMAN J H， OLSHEN R A， et al.Classification and regression trees[M].Belmont:Wadsworth Statistical Press，1984.

[16]QUINLAN R J.Learning with continuous classes[C].5th Australian Joint Conference on Artificial Intelligence， Singapore，1992：343-348.

[17]WANG Y，WITTEN I H.Induction of model trees for predicting continuous classes[C].The 9th European Conference on Machine Learning，Prague,1997.

[18]艾瑞咨詢，艾瑞視點(diǎn)：2010年8月用戶產(chǎn)品評(píng)論促進(jìn)46%美國(guó)網(wǎng)民的購(gòu)買行為[EB/OL].下載地址：http://ec.iresearch.cn/17/20101109/127426.shtml.2010-12-01.

[19]AINSLIE A,DREZE X,ZUFRYDEN F.Modeling movie life cycles and market share[J].Marketing Science,2005,24(3):508-517.

[20]RESNICK P,ZECKHAUSER R.Trust among strangers in internet transactions:empirical analysis of eBay’s reputation system[M].Wagon Lane:Emerald Group Publishing Limited，2002:127-157.