摘 要
电影是中国文化产业的中流砥柱,它不仅丰富了人们的精神和文化生活,还给国家的经济发展带来了巨大的收益.2019 年中国电影票房整体也突破了 640 亿元大关,中国电影产业也在由高速度发展转向高质量发展.然而电影相关方不能运用科学的方法有效地来预估电影的最终票房表现,不能根据目标票房与实际票房之间的差距,合理规划调整营运管理政策,这样往往会引起资源浪费,使盈利风险增大.因此,通过建立模型预测的方法来预估电影的最终票房,研究电影票房的影响因素,对制作方提高电影质量、发行方合理安排发行营销策略,帮助电影相关方合理配置资源,从而更大程度地提高电影最终票房等都具有十分重要的现实意义.
本文以 2010 年至 2018 年最终票房过 1000 万的 730 部国产电影为研究样本,随机选取其中的 657 部电影作为模型训练集,73 部电影为模型预测效果测试集.从电影票房网、时光网、艺恩网、猫眼网以及微博这五个网站收集整合相应的数据,基于电影上映首周相关数据预测最终票房的思路,从电影制作、发行、营销三方面构建了制作公司、不同电影类型、导演影响力、发行公司、首日票房、首周票房等25 个国产电影票房影响因素指标,并将这些指标与电影总票房之间的关系进行了可视化分析.运用监督学习中的多元线性回归、随机森林、Lasso 回归和 LassoXGBoost 四种模型对划分好的测试集进行预测,从预测效果稳定性、数值精度、分级准确率多方面对比模型预测效果,验证了本文提出的 Lasso-XGBoost 组合模型为一个具有普适性且预测精度最优国产电影票房预测模型,其数值预测准确率为72.38%,分级准确率为 79.45%,效果均优于常用的多元线性回归模型和随机森林模型.
最后根据确定的最优模型 Lasso-XGBoost,给出了国产电影票房影响因素指标的重要性排序,结果表明,制作方面的电影制式、编剧影响力、电影类型为喜剧、导演影响力、明星影响力;发行方面的电影上映年份;营销方面的首日票房、首周票房、电影首周评分、观众想看人数、首周观众参与评分人数这 11 个指标为电影上映首周时预测电影总票房重要的影响因素.电影上映首周后,营销方面的因素相比其它方面因素会更大程度地影响电影后续票房的持续增长,进而影响电影总票房的表现.在本文的最后根据研究结论,针对电影制作和发行营销方面提供了可行性的建议.
关键词:监督学习,影响因素,票房预测,Lasso-XGBoost
Abstract
Film is the mainstay of China's cultural industry. It not only enriches people'sspiritual and cultural life, but also brings huge benefits to the country's economicdevelopment. In 2019,the box office of Chinese films as a whole also exceeded 64 billionyuan, and the development of Chinese film industry is changing from high speed to highquality. However, the film related parties cannot use scientific methods to effectivelyevaluate the final box office performance of films, and cannot reasonably plan and adjustthe operation and management policies according to the gap between the target box officeand the actual box office, which will often cause waste of resources and increase the profitrisk. Therefore, it is of great practical significance to establish a model to predict the finalbox office of the movie and to study the influencing factors of the box office of the movie,so as to improve the quality of the movie for the producer, to arrange the distributionmarketing strategy reasonably for the distributor, to help the related parties to allocateresources rationally, and to improve the final box office of the movie to a greater extent.
In this paper, 730 domestic films with the final box office of more than 10 millionyuan from 2010 to 2018 were taken as research samples, and 657 of them were randomlyselected as model training sets and 73 as model prediction effect test sets. From when theticket book, optical network, art network, cat's eye network and weibo these five websiteintegrate the corresponding data collection, based on the movie first week of the thinkingof related data to predict the final box office, from the aspects of film production,distribution, marketing three built production companies, different types of film, directorinfluence, distribution companies, on the first day box office, the first week of box-office25 domestic box-office impact factors such as indicator, and the indicators and therelationship between the film grossed a visualization analysis. Use the multiple linearregression, random forests in supervised learning, the Lasso regression and Lasso -XGBoost four models to forecast the divided good test set, from stability, numericalaccuracy and classification accuracy prediction effect comparison model prediction effect,verified the Lasso - XGBoost combination model proposed in this paper as a generalityand accuracy, the optimal domestic movie box office forecasting model, the numericalprediction accuracy was 72.38%, the classification accuracy is 79.45%, the effect issuperior to the commonly used multiple linear regression model and stochastic model ofthe forest.
Finally, according to the optimal Lasso-XGBoost model, the importance order offactors influencing the box office of domestic films was given. Year of release; In termsof marketing, the 11 indicators of first-day box office, first-week box office, first-weekscore, number of audience wanted to see and number of audience participation in the firstweek are the important factors to predict the total box office in the first week of release.After a movie's opening week, marketing factors affect the continued growth of themovie's subsequent box office more than any other factor, which in turn affects theperformance of the total box office. At the end of this paper, according to the conclusion of the research, it provides feasible suggestions for film production and distributionmarketing.
Keywords: supervised learning, influencing factor, box office forecasting, LassoXGBoost
目 录
摘 要 .................................................................. I
Abstract ................................................................. II
目 录 ................................................................. IV
第 1 章 引 言 .............................................................. 1
1.1 研究背景 .......................................................... 1
1.2 研究目的及意义 .................................................... 2
1.2.1 研究目的 ................................................... 2
1.2.2 研究意义 ................................................... 3
1.3 研究现状 .......................................................... 4
1.3.1 国外研究现状 ............................................... 4
1.3.2 国内研究现状 ............................................... 6
1.3.3 文献述评 ................................................... 8
1.4 研究内容与论文结构 ................................................ 8
1.5 创新点 ............................................................ 9
第 2 章 相关模型理论介绍 .................................................. 10
2.1 多元线性回归 ..................................................... 10
2.2 随机森林 ......................................................... 10
2.3 Lasso-XGBoost .................................................... 11
2.3.1 Lasso ..................................................... 11
2.3.2 XGBoost ................................................... 12
2.3.3 Lasso-XGBoost ............................................. 14
第 3 章 国产电影总票房及影响因素分析 ...................................... 16
3.1 数据来源 ......................................................... 16
3.2 国产电影总票房 ................................................... 16
3.3 影响因素分析 ..................................................... 17
3.3.1 制作方面 .................................................. 17
3.3.2 发行方面 .................................................. 21
3.3.3 营销方面 .................................................. 22
3.4 变量处理汇总 ..................................................... 25
第 4 章 实证分析 .......................................................... 26
4.1 多元线性回归 ...................................................... 27
4.1.1 模型的建立 ................................................ 27
4.1.2 模型分析 .................................................. 29
4.2 随机森林.......................................................... 30
4.2.1 模型的建立 ................................................ 30
4.2.2 模型分析 .................................................. 31
4.3 Lasso-XGBoost..................................................... 32
4.3.1 Lasso 回归及特征选择 ....................................... 32
4.3.2 模型的建立 ................................................ 34
4.3.3 模型分析 .................................................. 34
4.4 模型预测效果对比.................................................. 35
4.4.1 模型预测值对比 ............................................ 35
4.4.2 模型评价指标 .............................................. 36
4.4.3 模型对比分析 .............................................. 36
4.5 结果讨论与分析.................................................... 38
4.6 本章小结.......................................................... 41
第 5 章 总结与展望 ........................................................ 42
5.1 总结 ............................................................. 42
5.2 展望 ............................................................. 43
参考文献 ................................................................. 44
致谢 ..................................................................... 47
附录 ..................................................................... 48
附录 1 攻读学位期间发表的学术论文和参加的科研项目 ..................... 48
附录 2 测试集各模型预测结果 ........................................... 48
第 1 章 引 言
1.1 研究背景
自从 2002 年国家把发展文化产业作为一项基本国策后,快速发展的中国文化产业在拉动着国民经济的发展,促进了文化繁荣,带动社会进步和针对国际竞争等方面承担着越来越重要的角色.而电影作为文化产业的中流砥柱,它不仅丰富了人们的精神和文化生活,还给国家的经济发展带来了巨大的收益.如图 1.1 2008-2019 年票房收入和同比增速趋势图所示,我国电影总票房从 2008 年的43.41 亿激增到 2019 年的 642.66 亿元,短短十余年时间,带来的经济收入扩张了近 15 倍,而国产电影票房在总票房的占比也越来越大,由 2008 年的 59.04%增加到 2019 年的 65.91%,电影票房规模也从 2008 年的 25.63 亿元增加 2019 年 的 411.75 亿元,近几年的美人鱼、战狼 2、红海行动等国产电影更是创造了一个又一个的票房神话.主要得益于政府相关政策地不断出台,吸引了包括腾讯阿里在内的众多互联网老大投资电影产业,这些种种利好情况也说明,我国的电影市场正处于产业化转型阶段.
但是,近几年来,我国电影总票房和国产电影总票房的同比增幅均有所下降,并且在 2016 年中的国产电影票房相比 2015 年还出现了 1.74%的负增幅,再结合图 1.2 的电影票房占国民生产总值的百分比图来看,总票房数百分比最终稳定在 0.065%左右,国产电影票房百分比在 0.04%左右,我国电影发展态势也在趋于平稳.此外,相关数据也表明我国国产电影表现参差不齐,多数影片最终低票房下架,有将近 70%的国产电影处于亏损状态.因此,通过建立模型预测的方法来预估电影的最终票房,研究电影票房的影响因素,对制作方提高电影质量、发行方合理安排发行营销策略,帮助电影相关方合理配置资源,从而更大程度地提高电影最终票房等都具有十分重要的现实意义.
如今伴随着互联网大数据时代的到来,人工智能、机器学习等算法也开始应用到电影票房研究上.中国票房网、猫眼电影、时光网、微博等网站也积累大量与电影票房有关的数据,我国也有越来越多的研究学者从这些网站中挖掘出历史有用信息进行分析,不断完善电影票房影响指标体系,优化电影票房预测模型.
1.2 研究目的及意义
1.2.1 研究目的
电影本身具有制作周期长、成本高、上映周期短的特点,影响电影票房的因素有很多,从电影初期的制作到中后期的发行和营销,每一个环节都会动态影响着电影的最终票房.然而电影相关方不能运用科学的方法有效地来预估电影的最终票房表现,也不能根据目标票房与实际票房之间的差距,合理规划调整营运管理政策,这样往往会引起资源浪费,使盈利风险增大[1].
因此,本文的研究目的就在于以国内外研究学者有关电影票房的研究为基础,同时考虑到电影票房动态性的特点,结合电影上映首周时产生的相关数据,从电影制作、发行、营销三方面考虑国产电影票房的影响因素,运用监督学习中相关的模型理论,对比建立一个可以预测各种量级票房,即具有普适性且精度最优的国产电影票房预测模型,并且根据最优模型的影响因素相关研究结论,给予电影制作方和发行营销方合理的建议.同时也为未来学者在国产电影票房相关研究上提供新的研究思路和研究方法.
1.2.2 研究意义
首先,电影票房研究有利于我国电影产业的可持续发展.结合电影上映首周数据建立一个具有普适性的动态票房预测模型,对电影制片方,发行方更具有实用价值,可以给他们提供数据支持,有助于电影制片方提高制作水平,发行方调整影片的上映宣传力度和营销策略等,进而提高资源利用率和经济效益,提高总票房,减少目标票房与实际票房的差距,减少盈利风险,避免出现资金配置不合理的现象.
其次,电影票房研究有利于提升我国的文化软实力.在向全世界弘扬我国历史文化的过程中,电影发挥着重要的作用.因此,研究我国国产电影票房将有利于提高我国在世界上的文化竞争力和影响力 [2].
最后,电影票房研究将有利于提高国产电影的竞争力,中国是仅次于北美市场的全球第二大电影票房市场.但是与好莱坞影片相比,我国仍有所差距,通过预测国产电影票房,找到影响票房的关键因素,进一步取长补短,不断改进自身缺陷.
因此,结合电影上映首周数据建立一个具有普适性且精度最优的国产电影票房预测模型,研究我国电影票房收入的影响因素,为电影前期制作拍摄和后期发行营销提供一些具有针对性且合理的建议,提升我国国产电影票房收入,从而促进国产电影相关产业的发展,提高我国文化软实力和国际竞争力,促进我国经济的发展.
1.3 研究现状
1.3.1 国外研究现状
从 20 世纪 40 年代起,国外就有学者开始了对电影票房的研究,乔治?盖洛普(George Gallup)[3]和 里奥?汉德尔(Leo Handel)[4]采用访谈调查法的方式来获取观众对于片名、故事、演员、宣传等信息的反馈.
20 世纪 80 年代开始,国外学者开始了对电影票房预测模型的研究,BarryLitman(1983)[5],作为电影票房模型预测的鼻祖,提出电影票房能够建立模型预测的观点,并且 Barry Litman(1989)[6]认为电影票房受发行、创意及营销三角度的影响,用电影的租金收入代替电影票房收入,选取了发行市场力量(该公司的年放映场次)、发行模式(是否全国统一发行)、导演(是否获得过奥斯卡提名)、MPAA 评级(G/PG/PG-13/R/X)、发行公司的营销能力、获奖成绩等 14 个因素,对 700 多部电影运用多元线性回归的方法进行了电影票房预测研究,最终分析得出演员、档期、导演、电影类型为剧情片和科幻片等与电影票房有显着相关性.Barry Litman 的预测模性虽然预测准确率不高,但是也为电影票房预测模型的后续研究提供了思路,奠定了基础.
Scott Sochay(1994)[7]选取 1987 年至 1989 年的北美电影数据为样本,改进了 Barry Litman 提出的模型,考虑了电影票房市场的动态变化,增加了电影上映天数和市场研究度,并且将变量进一步进行细分,从原本的 14 个影响因子增加到 22 个,Scott Sochay 的研究结论虽然与 Barry Litman 略有差异,但是其预测准确率略高于 Litman 的模型.
意大利学者 M. BAGELLA 和 L.BECCHETTI(1999)[8]以 1986 年至 1996 年意大利的电影为样本,研究电影票房影响因素,结果表明,在控制导演和演员的影响的情况下,电影的类型对电影票房有显着性影响.
Simonoff(2000)[9]运用多元线性回归来预测电影票房,他的结论为电影的广告预算会对电影票房产生积极影响,但是广告预算的具体数值不便于计算.
Eliashberg 和 Jonker 等人(2000)[10]运用了马尔科夫链的思想,以 15 部电影为样本,利用随机问卷调查的方法收集数据,以电影主题、宣传发行手段和影片质量为因素进行预测,得到了较好的预测效果,达到了 90%的准确率.但是,数据的主观性太大,该方法不利于推广.
Ramesh Sharda 和 Dursun Delen(2006)[11]将机器学习中的神经网络算法应用到电影票房预测模型上,以 1998 年至 2002 年的 834 部电影为样本,输入值选取 MAPP 评级、电影类型、银幕数等 7 个指标,对电影票房进行分类预测,最终得到的模型相比之前的预测模型有了更好的预测效果.
Gilad Mishne 和 Natalie Glance(2006)[12]通过博客产生的数据,选择 49部电影为样本,设定情感评价指标来研究电影上映后的口碑(质量和数量)对电影票房的影响.研究表明:情感评价和电影票房相关性大.
Lee K J 和 Chang W(2009)[13]建立贝叶斯网络模型,通过敏感性分析确定影响因素和票房的相关性,以电影价值为基础,预测电影票房.研究表明 BBN 模 型预测精度优于神经网络模型.
Sitaram Asur 和 Bernardo A. Huberman(2010)[14]基于推特社交网站上电影有关的数据,基于情感分析量化处理后,运用分类的方法对电影票房进行预测,最终预测效果较好,但范围略大. Google(2013)[15]利用自己公司独有的数据资源优势,选取网站上跟电影有关的广告点击量和搜索量等为票房影响指标,并假设各指标与票房均为线性关系,建立了自己独有的线性回归模型,最终预测精度对外宣称达到了 94%,但是数据并不对外公开.
Chisholm D C 和 Fernandez-Bianco V 等人(2015)[16]建立统计模型研究了电影是否存在盗版与电影票房的关系,发现电影如果存在盗版会降低电影票房.
Devendra Tayal 和 Amita Jain 等人(2015)[17]以 2007 年-2013 年的 334 部宝莱坞电影为研究对象,建立多元线性回归模型预测电影票房,发现演员、类型、电影发行前获得的歌曲评级以及发行时间等因素与电影票房关系显着.
Hur M 和 Kang P 等人(2016)[18]通过建立多元线性回归模型、分类回归树模型、人工神经网络模型和支持向量机回归模型对电影票房进行预测,研究结论表明非线性模型预测方法预测效果优于多元线性回归模型.
Duan J 和 Ding X 等人(2017)[19]运用高斯回归模型对研究电影票房,发现奥斯卡明星和奥斯卡导演的数量对电影票房有显着性影响.
KIM T,和 HONG J 等人(2017)[20]基于韩国电影数据,考虑同档期电影间的竞争力,通过结合电影的口碑和同档期内票房最高电影的满座率,放映场数等指 标预测电影票房.
Ya-Han Hu 和 Wen-Ming 等人(2018)[21]以 2009 年至 2014 年间美国电影数据为研究对象,建立 M5 模型树、线性回归和支持向量机模型对电影票房进行预测,结果表明影评会增强票房性能预测的准确性电影评论数量会影响电影票房.
Zhenxing L I 和 Lina H 等人(2019)[22]以 2018 年的 30 部电影为模型训练数据,运用 C4.5 决策树算法建立票房预测模型,认为演员为影响票房的关键因素.
…………由于本文篇幅较长,部分内容省略,详细全文见文末附件
第 5 章 总结与展望
5.1 总结
本文结合国内外学者在电影票房影响因素和电影票房预测方面已有的文献研究,搜集了 2010-2018 年票房超过 1000 万的 730 部国产电影为研究样本,为 了避免最后检验预测模型效果的样本带有特殊性,先通过 R 语言利用随机种子的原则,划分其中 90%的样本作为模型训练集,剩下 10%的样本作为检验模型预测效果的测试集.然后基于电影上映首周相关数据预测最终票房的思路,从电影制作、发行、营销三方面选取了制作公司、不同电影类型、导演影响力、主演影响力、发行公司、上映档期、首日票房、首周票房等 25 个指标作为本文研究的国产电影票房影响因素,并将这些指标与电影总票房之间的关系进行了可视化分析. 再运用监督学习中的多元线性回归、随机森林、Lasso 回归和 Lasso-XGBoost 四种模型对划分好的测试集进行预测,从预测效果稳定性、预测数值精度、分级准确率多方面对比模型预测效果,验证了本文提出的 Lasso-XGBoost 组合模型为一个具有普适性且预测精度最优国产电影票房预测模型,其数值预测准确率为72.38%,分级准确率为 79.45%,效果均优于常用的多元线性回归模型和随机森林模型.最后再根据确定最优模型 Lasso-XGBoost,给出了国产电影票房影响因 素指标的重要性排序,结果表明,制作方面的电影制式、编剧影响力、电影类型为喜剧、导演影响力、明星影响力;发行方面的电影上映年份;营销方面的首日票房、首周票房、电影首周评分、观众想看人数、首周观众参与评分人数这 11 个指标为电影上映首周时影响电影总票房重要的因素,并且电影上映首周后,营销方面的因素相比其它方面因素会更大程度地影响电影后续票房的持续增长,进而影响电影总票房的表现.
针对以上结论,再对国产电影制作和发行营销方提出以下建议:
(1)"一百个人眼中有一百个哈姆雷特",要注重电影类型的多元化,针对不同人群确定电影类型,针对电影类型选择合适的导演和演员,比如吴京主演的《战狼 2》战争主旋律题材电影,徐峥、宁浩、沈腾等新生代导演的《囧系列》《开心麻花》喜剧电影均有不错的票房表现.
(2)重视电影上映时间,结合同期内竞争电影的情况和当年的经济状况,选择合适的时机.
(3)增加电影整体宣传次数,更加注意电影上映后期的宣传.尤其是针对首周票房表现不太理想的电影,更应该做好后期宣传活动,增加后期宣传活动次数,一定程度上会提高电影的热度,从而推动后期持续性票房的提高.
(4)与院线联系,可通过票价打折、增加电影排片等方式尽可能提高电影上映首日和首周票房表现.
(5)重视口碑效应,电影上映前注意宣传效果,保证电影预告片制作的质量,将电影中的亮点尽可能的展现给观众,吸引更多的消费者在电影上映首周时观看电影.电影上映后重视评论相关数据,邀请专业评论人点评,提高电影口碑,积极引导未观影群众为其买单,为电影后续票房增长,提高电影总票房打好基础.
5.2 展望
本文的研究基于电影上映首周数据建立了具有普适性且预测效果最优的国产电影票房预测模型,对电影制作方和发行营销方都有一定的指导意义.并且在票房预测的指标体系及模型上都有一定创新,预测准确度上也较已有方法得到了提升.但是由于网络数据的多样性,票房影响因素的复杂性,关于电影票房的研究还有很大空间的提升,在此,对电影票房未来的研究提出以下展望:
(1)网络数据存在着各种噪音以及脏数据,例如想看人数和首日票房等数据存在电影制片方和发行公司刷数据造假行为,如何有效识别这些行为所产生的脏数据并予以剔除还原真实数据,这将是未来研究的重难点.
(2)影响电影票房的因素很多,从电影初期的拍摄制作到后期的宣传发行营销,每一个步骤都会影响电影的票房.如本文因数据获取渠道有限未选取的电影投资方的资金、院线排片的重视程度、电影下映前演员出现重大的的负面新闻等因素都有可能影响到电影票房.所以指标体系还可进一步完善.
参考文献
[1] 王秋萍.基于 K-means 聚类和 BP 神经网络的电影票房预测研究[D].武汉理工大学,2017.
[2] 高静波.近年来中国电影市场现象分析[D].山东师范大学,2017.
[3] 苏·奥默尔,苏纹.测定愿望:盖洛普和好莱坞的观众研究[J].世界电影,1992(04):81-119.
[4] 里奥·汉德尔.好莱坞如何读懂观众[M].北京:华文出版社,2014.
[5] Litman B R.Predicting Success of Theatrical Movies: An Empirical Study[J].Journal of Popular Culture,1983,16(4):159-175.
[6] Litman B R.Predicting Success of Theatrical Movies: The 80's experiences[J].Journal of Media Economics,1989,23(2):35-50.
[7] Scott Sochay.Predicting the Performance of Motion Pictures[J].Journal ofMedia Economics,1994,7(4):1-20.
[8] Bagella M,Becchetti L.The Determinants of Motion Picture Box OfficePerformance: Evidence from Movies Produced in Italy[J].Journal of CulturalEconomics,1999,23(4):237-256.
[9] Simonoff J S,Sparrow I R.Predicting Movie Grosses:Winners and Losers,Blockbusters and Sleepers[J].Chance,2000,13(3): 15-24.
[10] Eliashberg J,Jonker J J,Wierenga S B. MOVIEMOD: An Implementable DecisionSupport System for Prerelease Market Evaluation of Motion Pictures[J].Marketing Science,2000,19(3):226-243.
[11] Delen D.Predicting box-office success of motion 6663pictures with neuralnetworks[J]. Expert Systems with Applications,2006,30(2): 243-254.
[12]Mishne G,Glance N S.Predicting movie sales from blogger sentiment[C].InAAAI Spring Symposium: Computional Approaches to Analyzing Weblogs,2006:155-158.
[13] Lee K J,Chang W.Bayesian belief network for box-office performance: A casestudy on Korean movies[J].Expert Systems with Applications,2009,36(1):280-291.
[14] Asur S,Huberman B A.Predicting the Future with Social Media[C].InternationalConference on Web Intelligence & Intelligent Agent Technology.IEEE,2010.
[15] Google.Quantifying Movie Magic with Google Search[J].Google Write paper,2013:1-11.
[16] Chisholm D C,Fernandez-Bianco V,Ravid S A,et al.Economics of motion pictures:the state of the art[J].Journal of Cultural Economics,2015,39(1):1-13.
[17] Devendra Tayal,Amita Jain,Divya Gupta,Garvita Saini.A new method to predictboxoffice collections for bollywood movies using online opinionmining[J].International Journal of Engineering Intelligent Systems forElectrical Engineering and Co,2015,23(2):49-60.
[18] Hur M,Kang P,Cho S.Box-office Forecasting based on Sentiments of MovieReviews and Independent Subspace Method[J].Information Sciences,2016,372:608-624.
[19] Duan J,Ding X,Liu T.A Gaussian copula regression model for movie box-officerevenues prediction[J]. Science China,2017,60(9):092103.
[20] KIM T,HONG J,KANG P.Box Office Forecasting considering CompetitiveEnvironment and Word-of-Mouth in Social Networks: A Case Study of KoreanFilm Market[J].Computational Intelligence and Neuroscience,2017,2017:1-16.
[21] Ya-Han Hu,Wen-Ming Shiau,Sheng-Pao Shih,Cho-Ju Chen. Considering onlineconsumer reviews to predict movie box-office performance between the years2009 and 2014 in the US[J].The Electronic Library,2018,36(6).
[22]Zhenxing L I,Lina H,Nan S.Research on the prediction of film box office basedon decision tree algorithm[J].Intelligent Computer and Applications,2019.
[23] 张玉松,张鑫.电影票房的影响因素分析[J].经济论坛,2009(08):130-132.
[24] 闵亚哲,任翔.中国内地电影票房的实证研究[J].企业导报,2010(11):256-257. [25] 张琳.2009-2011 进口片网络口碑与票房[D].清华大学,2012.
[26] 刘燕燕.中国电影票房影响因素的实证分析[J].经济与管理战略研究,2012(04):40-52.
[27] 王铮,许敏.电影票房的影响因素分析--基于 Logit 模型的研究[J].经济问题探索,2013(11):96-102.
[28] 郑坚,周尚波.基于神经网络的电影票房预测建模[J].计算机应用,2014,34(03):742-748.
[29] 杨威.基于微博数据的电影票房预测模型研究[D].安徽大学,2014.
[30] 史伟,王洪伟,何绍义.基于微博情感分析的电影票房预测研究[J].华中师范大学学报(自然科学版),2015,49(1): 66-71.
[31] 罗捷.基于电影评价的进口影片票房预测研究[D].重庆大学,2015,4.
[32] 聂鸿迪.中国电影票房的影响因素及其实证研究[D].北京交通大学,2015.
[33] 王伟.基于微博数据的电影票房预测研究[D].重庆大学,2015.
[34] 罗晓芃,齐佳音,田春华.电影首映日后票房预测模型研究[J].统计与信息论坛,2016,31(11):94-102.
[35] 王跃华.电影票房预测模型研究[J].传播与版权,2016,(07):89- 90.
[36] 滑瑶,张辉,刘悦悦,韩晶晶.基于 Holt-Winters 无季节指数平滑模型的国内电影票房预测[J].中国传媒大学学报(自然科学版),2017,24(04):1-7.
[37] 张雪.基于深度学习卷积神经网络的电影票房预测[D].首都经济贸易大学,2017.
[38] 甘雨涵.基于 Stacking 方法的电影票房预测[D].上海师范大学,2018.
[39] 李满.城市电影票房影响因素的经验与实证研究[J].传媒观察,2018(07):73-78.
[40] 郭萱.基于随机森林的电影票房预测研究[D].中国石油大学(北京),2018.
[41] 杨朝强 , 蒋卫丽 , 邵党国 . 基 于 LSTM 模 型 的 电 影 票 房 预 测 算 法 [J]. 数据通信,2019(05):34-37.
[42] 华锐,王森林,许泱.中国电影票房的影响因素研究[J].统计与决策,2019,35(04):97-100.
[43] 席稼玮.基于数据挖掘的电影票房分析[J].通讯世界,2019,26(03):317-319.
[44] 何晓群.应用回归分析[M].北京:电子工业出版社,2017:55-71. [45] Breiman L.Random Forest[J]. Machine Learning,2001,45(1):5-32.
[46] Frank I E,Friedman J H.A statistical view of some chemometrics regressiontools (with discussion)[J].Technometrics,1993,35(2):109-148.
[47] Tibshirani R. Regression Shrinkage and Selection via the Lasso[J].Journalof the Royal Statistical Society.Series B (Methodological),1996,58(1):267-288.
[48] Chen T,He T.Higgs Boson Discovery with Boosted Trees[C]//NIPS 2014 Workshop on High-energy Physics and Machine Learning.2015: 69-80. [49] 李航.统计学习方法[M].北京:清华大学出版社,2012: 1-74.
[50] 苏玉敏.基于随机森林与 XGBoost 的上市公司财务预警研究[D].哈尔滨工业大学,2019.
[51] 张新宇.国产电影票房与口碑影响因素研究[D].山东大学,2018.
[52] 陆红姝.IP 热背景下关于国产电影票房影响因素的研究[D].苏州大学,2018.
[53] 姚武华.中国市场国产电影票房收入的影响因素研究[D].河南大学,2017.
[54] 陈然.我国商业电影票房影响因素研究[D].云南财经大学,2016.
[55] 刘宁.基于网络数据的电影票房预测模型研究[D].天津商业大学,2019.
[56] 汤子涵.基于多元回归和神经网络的我国电影票房的研究[D].湖南师范大学,2018.
[57] 蒙晓庆.中国电影票房影响因素分析及预测[D].天津财经大学,2018.
[58] 王翔.电影网站评分与电影票房关系研究[D].南昌大学,2016.
[59] 张文.国产电影票房影响因素研究[D].南京大学, 2015.
