大数据影视研究的背景、现状与路径

姚振轩

大数据作为数据革命的先行者，使得生产、教育、思维方式等方面均产生了变革性的反思，这意味着人类在探索数字化认知世界的道路上迈进了一大步。面对大数据，影视艺术在不断尝试“技术+艺术”的探索。作为大众文化的消费品，较为先行地主动应对机遇与挑战。陈旭光在《试论“大数据”“微时代”的电影批评》一文中提到，大数据时代的到来，对电影文化批评和本体批评都产生了一定的负面影响，造成了其淡出和失语。而产业批评却更为顺应时代发展，因而网络“微批评”迅速崛起。但是网络“微批评”也存在情绪化、谩骂化等现实问题，学院化、专业化的电影批评也可能是引领大数据流向的一个因素。厉震林在其《论微电影与微表演的文化姿态》一文中指出，微电影必须与时代的内在情绪保持一致，不要为微而微；微表演的“低姿态”不等于“无底线”，“大容量”也并不等同于“没取舍”；产业与文化应成为微电影及其微表演的两个驱轮。影视艺术生态在大数据时代的推动下实现了翻新，在这种向微发展的方向下，包含了大数据对影视艺术创作、传播、产业等方面的影响，在此做一梳理。

一、影视艺术在大数据时代下的新发展

最早提出“大数据”时代到来的是麦肯锡，其认为数据已经渗透当今每一个行业和业务职能领域，成为重要的生产因素。人类对于海量数据统计和运用技术的掌握，预示了新一轮生产率的增长和消费者盈余浪潮即将到来。总结而言，“大数据时代”即大数据技术已经较为成熟地运用于社会的各个领域且经过时间的检验，各行各业都充分肯定大数据的能力与作用，从广域的概念到精准的应用，从结构化的数据分析到非结构化数据分析及半结构化数据分析，大数据技术正逐步完善并广泛应用。

在影视艺术领域，大数据的初步应用多集中在对受众的分析和画像上。通过对受众收视的数据分析，发现受众的兴趣点，以此指导影视艺术创作的手法近来引起了关注。2013年美国视频网站Netflix投拍的《纸牌屋》首次将大数据用于影视创作中，赢得了满意的市场反馈。大数据首先深入影视的创作环节，这对影视艺术创作从选本到选角再到拍摄和后期制作乃至产业及市场营销都将产生不同程度的影响。大数据通过高新科技技术产业，对大数据进行全面的搜集、挖掘、整理、归纳、提精，为影视创作提供新的思路、新的风格、新的传播模式。随着社交网络和聚合类影视网站的快速发展，大数据可以获得人们对影视作品的偏好或者是对选本、选角的偏好，类似的分析往往通过语义分析来实现，这种分析获得的结果对影视创作所能够起到的指导性作用是不言而喻的。

在延伸产业方面，大数据可以作用于影视产业的各环节，通过对受众行为习惯的分析可以建立用户兴趣模型，从而为我国电影的规模、精度等提供指导意见，从情节、内容等方面来填补技术、效果等方面的暂时不足。

二、影视艺术在大数据时代的新热点

大数据与影视艺术的交叉研究肇始于20世纪90年代，多在用户兴趣模型研究、运营研究、创作研究等方面。与之前相比，影视艺术研究在广度上尚未有明显的延展，但在深度上却有了拔高。大数据为影视传播提供了智能的导向手段，使得受众定位更明确，类型细分更精确，广告投放更准确。从经济的层面而言，大数据为影视文化产品的市场化提供了更具科学性的指导。

（一）大数据时代影视艺术受众兴趣模型研究

受众兴趣模型是基于个性化系统所提出的用户兴趣建模。个性化系统，就是能够针对不同用户的信息需求表现出不同运行效果的软件，而此类软件提供的服务即个性化服务。个性化系统的核心是用户建模，即对用户信息需求的模型表示。用户兴趣建模是一个复杂的过程，既包括用户相关信息的收集与挖掘，还包括用户兴趣的提取和表示，以及长期兴趣、近期兴趣、即时兴趣的组织与维护等，各个方面相互联系构成完整的建模体系。

1.国外模型研究的启蒙。2004年，Epagogix通过对电影文本语义分析，建构模型来预测票房，启蒙了用户兴趣模型研究。主要的研究方向，一是基于规则，如关联关系规则，但应用效果差强人意；另一种是基于信息筛选，后来又细分为基于内容筛选的和基于协同筛选的，进而演化出综合模型。2009年，Susan Gauch和Alexander Pretschner建立了个性化搜索的空间向量模型，该模型由用户浏览的页面和时间两个维度所构成，并不断进行修正。然后将搜索结果和该空间向量模型进行拟合，拟合度最好的结果即为输出的搜索结果。

2.国内模型研究的发展。2011年，路海明提出了基于多Agent混合智能兴趣模型，该系统属于基于内容过滤和协同过滤的混合系统，通过多个Agent来收集用户行为。2012年，冯翱等人研发的Open Bookmark系统也是基于内容过滤和协同过滤的混合系统。2013年，潘金贵研发的基于信息可视化与数据挖掘的电影网站分析系统，该系统在python提供的框架下实现，整体框架采用Django，页面表现采用D3.js可视化库，分词工具采用jieba等，实现了电影的观众兴趣挖掘。2014年，姜文实现了基于混合模型的个性化电影推荐管理系统，该系统以用户兴趣标签和用户浏览记录为原始数据，通过混合模型向消费者推荐一些比较有兴趣的电影。同年，李爱华实现了基于神经网络的分层混合兴趣模型，并将该模型应用于电影的大数据分析上，该系统将用户行为原始数据输入神经网络，经过不断的学习训练，输出用户可能最感兴趣的电影。2015年，王润华实现了基于Hadoop的实时电影推荐和基于Storm的趋势推荐，该系统基于分布式批处理计算框架Hadoop和分布式实时流处理框架Storm，是近年来该领域最新的研究成果。

（二）大数据时代影视艺术传播模式研究

《纸牌屋》的成功在很大程度上与Netflix网站的大数据分析创作有着密切的关系，Netflix网站的大数据分析方法也引来学界的研究，《纸牌屋》为大数据在影视创作启发了新的意识。对其大数据分析方法研究，建立了多个数学模型，得出了以下结论：在喜欢看1990年版《纸牌屋》的观众中，有24%的观众偏爱导演大卫·芬奇的作品，而其他导演的占比不足10%，有38%的观众偏好凯文·斯派西的作品，还有多类型的数学模型综合反映了《纸牌屋》的成功。

吴卫华在其关于“大数据视阈下广电产业发展战略研究”的相关文献中，对大数据影视艺术传播的创新模式做了较为全面的表述。他认为传统的影视传播模式是自上而下的单一且单向的，网络时代下，传播模式体现双向互动性，而在大数据时代，则是自下而上的逆向模式。这一过程中起主导作用的不是内容制作商或是运营商，而是分散的但规模庞大的用户群体，内容制作商和运营商只能依据用户的媒介消费行为数据，找到符合用户兴趣的产品和服务，反向指导生产和实践。CBS从2013年就开始利用大数据进行内容生产，通过记录用户的脸部表情、心情波动甚至是脑电波变化来寻求用户兴趣所在，通过数据分析优化自己的传播内容。

三、大数据背景下影视艺术产业的发展路径

2017年以来，影视产业进一步加速升级，特别是在电影产业中的表现尤为明显。论及大数据背景之下的影视产业发展，往往以“内容为王”和“管理为上”为主要的研究模块，本文将其梳理为内容生产与产业管理两个方面。

（一）内容生产路径

大数据给影视产业发展带来的不仅是生产方式的变化，更重要的是思维方式的变化，影视产业将改变以往以制作商和生产商为主的生产模式，转而以用户为导向制作产品、提供服务。如何处理好“大”与“微”的关系是内容生产的关键点。

在当下的影视剧生产过程中已经出现通过对视频用户深度挖掘的产品，美国Netflix的《纸牌屋》是经典案例；在电视节目编排上，依据不同时段的目标用户媒介消费特征设定不同栏目；在广告推送上，采用大数据分析，对不同地区的不同用户在同一时段展现不同的广告内容，采用大数据细分推送法；在移动终端，集合电视网、互联网和电信网推出新的类似“社交电视”之类的社交产品，进行个性化定制和智能化推荐。如亚马逊已经开始把大数据运用到影视作品的制作当中，通过网络筛选剧本，然后制作成样片，投放到网络上，并利用数据分析观察用户反应，最终决定投资的作品。通过这种方式，影视剧的受众基础已经得到优化，舆论与口碑效应得以形成。

（二）产业管理路径

2011年美国就有参议员提出《网络不跟踪法案》，2012年奥巴马政府公布《消费者隐私权利法案》，目的在于限制网络运营企业对用户数据的使用与传播，并且有很多影视企业和广告公司自发发起“不跟踪机制”。因此，完善的法律基础与管理方式的紧跟是影视产业大数据运用的“有形手”。

无论是中宣部外挂电影局，还是国家广电总局的职能优化，都显示了大数据时代国家对于影视行业的重视程度。《电影管理条例》《广播电视管理条例》等规范着影视行业的发展，而网络视频节目的管理尚相对空白。我国在今年推出机构改革之后，对大数据影视的管控政策与规范是值得关注的。

【参考文献】

[1]黄欣荣.大数据哲学研究的背景、现状与路径[J].哲学动态，2015.

[2]吴彤.大数据对影视创作的影响研究[D].哈尔滨：哈尔滨师范大学，2016.

[3]巴里·利特曼.大电影产业[M].尹鸿译.北京：清华大学出版社，2005.

[4]潘金贵，胡学联，李俊等.一个个性化的信息搜集Agent的设计与实现[J].软件学报，2013.

[5]王润华.基于Hadoop集群的分布式日志分析系统研究[D].北京：北京政法职业学院计算机系，2015.

[6]张秀珍，冯晓玉.网络传播受众与传统大众传播受众的心理特征比较[J].白城师范院学报，2014.

[7]吴卫华.大数据背景下影视产业创新发展[J].当代传播，2015.