基于数据科学的电影体验模式构建研究

张汉琴，范宇晨，刘加海

(浙江大学城市学院，浙江 杭州 310000)

0 引言

在电影行业蓬勃发展的当下，电影本身的质量却出现了越来越参差不齐的情况。你是否有过精心挑选了一部新电影却在看了10分钟后便觉得索然无味而退出的经历？像这样浪费在挑选影片上的时间还不如用来冲一杯咖啡。强大的搜索引擎也许可以帮助用户快速找到所想要观看的影片，但在无目标的情况下只有利用好推荐系统算法，才能把用户从洪水般泛滥的影片中解放，享受到全自动的个性化观影体验。

1 电影体验模式的构建

用户体验需求是多样化的，通过电影本身的内容可以给用户带来良好的感官体验、情感体验和思考体验，而一个完整的电影体验模式还需要加上行动和关联的体验来完成构建。

1.1 针对用户观影体验的问卷调查

经过发放153份针对“用户观影体验”的问卷后发现，喜欢在网上看电影的用户占总调查人数的82.69%，同时为了打发时间放松身心而观影的用户达到总调查人数的69.23%，而随机选择影片来观看的用户数量高达总人数的89.64%。不少用户表示他们通常从类型出发选择想看的电影，但往往需要耗费一定时间才能找到满意的影片，而且通常无法一次性就选中适合自己的影片观看。

1.2 优化行动体验和关联体验

通过上一段的问卷调查，在本段中将针对优化行动体验和关联体验展开讨论。首先行动体验的目标是将影响用户体验的有形行为和生活形态最优化，利用精确的算法和前沿的技术改变用户原本低效的行为模式，得以创造出前所未有的良好体验感。而关联体验更是一种综合体验，让产品成为关联用户情感、理想和文化的桥梁，并建立用户对产品的信任和偏好，同时让产品也拥有一个逐渐聚拢的用户群。因此，本研究决定利用推荐系统算法改善用户在选择影片时的行动体验，同时让用户在使用的过程中逐渐加深对产品的信任感，从而加强关联体验，实现用户和产品双方的共赢。

2 将协同过滤算法运用于电影体验模式构建

2.1 协同过滤算法介绍

目前已知的推荐系统算法中有基于流行度的算法、基于内容的算法、基于知识的算法等，在本研究中将采用协同过滤算法来提高用户闲暇时选择影片的体验感，目的是丰富个性化的推荐目录，提高用户电影体验的同时可以推广冷门影片。协同过滤算法有基于用户和基于物品两种，本研究中采用基于物品的算法。在编程时采用python3主流的数据分析模块numpy与数据读取模块csv后期搭配Spyder的调试功来加速代码测试和优化，用MYSQl搭建后台存储数据库[1]。

2.2 算法架构搭建

算法首先针对影片的所有评价进行分析，然后依据用户观影历史记录中的影片类型计算所有电影之间的相似度，选出与当前用户观影记录相似度最高的N部影片，再从这N部影片中选出当前用户没有预览过并且评价最高的m部影片作为最终推荐项。

整体代码分为5个基本模块：数据集读取模块csv_read()，余弦相似度算法模块cosine_sim()，标准SVD评分模块：svd_est()，推荐处理模块：recommend()，图形化界面模块：GUI()。

2.3 核心推荐处理模块

5个模块中最为核心的就是推荐处理模块，其模块代码为recommend()[2]。整体模块处理流程设计如下：用户正常登录观影系统后，后台通过数据库访问用户的历史观影信息，和影片库中的影片进行相似度对比分析，然后通过观影系统首页的“每日推荐”菜单将高相似度且未推荐过的影片进行推荐，在用户观看影片的同时后台记录用户的观影数据，包括用户的观影时长、快进次数、是否点赞收藏等操作数据。将所有的操作数据保存在后台数据库中用作后期推荐反馈分析。

2.4 核心推荐处理模块中的关键代码

查询矩阵中用户未评分过的影片(unrated_items)：

unrated_items=np.nonzero(mat[user, :].A == 0)

从未评分影片中进行循环，进入相似度算法SVD模型，通过mat用户矩阵，推荐用户，相似度算法，未评分物品标号估算出影片的得分：

for item in unrated_items

score = estimate(mat, user, math_method, item)

item_scores.append((item, score))

按照得分将影片逆排序，获取前N个未评级影片作为推荐项：

sorted(item_scores, key=lambda jj: jj, reverse=True)[: N]

3 观影系统原型设计

通过算法实现的影片推荐将在首页的“每日推荐”中展现，用户在闲暇时想观看一部电影，不必再通过长时间的影片筛选，可以直接点击每日推荐中的电影进行观看，如图1所示。

图1 电影购票系统部分原型设计

随着用户对该功能的使用时间增加，用户的品位将逐渐训练“每日推荐”中影片的质量，在这个用户体验感不断上升的过程中，用户与产品之间也建立起了深厚的情感关联，最后对整个观影系统产生越来越强的信赖，实现了构建一个良性运转的电影体验模式[3]。

4 结论

本研究的实验部分通过movielens官网(https:∥grouplens.org/datasets/movielens/)的电影数据来进行，透过协同过滤算法，利用以属性或兴趣相近的用户观影经验与数据作为提供个性化推荐的基础。实现了程序的运行，完成了优化用户行动体验和关联体验的初衷。不足之处在于本研究中设计的程序运行时间较长，所以未来还需要在程序代码上做出更多的优化。