CN105335537A - 视频专辑中网络媒介信息的曝光量的预估方法和系统 - Google Patents

Abstract

本申请公开了一种视频专辑中网络媒介信息的曝光量的预估方法和系统，包括：判断视频专辑的是否为间隔周期性视频专辑；在视频专辑为间隔周期性视频专辑时，采用时间序列分析方法预估该视频专辑中网络媒介信息曝光量；在视频专辑为非间隔周期性视频专辑时，确定该视频专辑的首播期、衰退期和长尾期，采用指定预估模型预估该视频专辑首播期和衰退期中的网络媒介信息曝光量，采用时间序列分析方法预估该视频专辑长尾期中的网络媒介信息曝光量。利用本发明，可以提高对视频专辑中网络媒介信息曝光量的预估准确率。

Description

视频专辑中网络媒介信息的曝光量的预估方法和系统

技术领域

本发明涉及互联网的数据处理技术，尤其涉及一种视频专辑中网络媒介信息的曝光量的预估方法和系统。

背景技术

网络媒介信息是一种在互联网系统的各种展示形式(如网页、客户端界面等)上发布的以数字代码为载体的各种信息。通常的网络媒介信息都对应有目标网页，用户点击了网络媒介信息即可跳转到对应的目标网页，目标网页的内容就会展现在用户面前。如何有效地向特定的受众投放展示网络媒介信息，并对所展示的信息进行有效的管理，是目前互联网技术业界所关注的一个领域。

网络媒介信息处理展示技术最近几年发展非常迅猛,已经应用到许多产业领域。例如在互联网的广告处理展示领域中，所述互联网广告就是一种网络媒介信息。网络媒介信息处理展示技术中的一种主要技术是网络媒介信息发布控制技术。

在网络媒介信息发布控制系统中，网络媒介信息发布的载体有多种形式，例如在网页上发布网络媒介信息，在视频上发布网络媒介信息等。

其中，视频网络媒介信息由于既具有与电视媒介信息的内容生动丰富特征，又具有互联网媒介信息的定向近准、效果易评估特征，已经逐渐成为最热门的互联网媒介信息形式之一。视频网络媒介信息系统的生产者对网络媒介信息投放方的主流计费方式是千次曝光成本(CPM，CostPerThousand)。CPM指的是网络媒介信息投放过程中，听到或者看到某网络媒介信息的每一受众平均分担到多少发布成本。

在网络媒介信息发布领域，往往需要对未来某个时间段可供投放的网络媒介信息曝光数量进行预估，这种预计的曝光数量在业界通常被称为库存。这一指标在以CPM网络媒介信息为主要投放形式的视频网络媒介信息中显得尤为重要。例如，今天是6月2号，6月5号的库存是指在6月5号可供投放的曝光量，库存的量是每天波动的，需要进行预估。

在视频网络媒介信息发布领域，网络媒介信息发布方有需求对某部电视剧或者视频专辑合集进行发布网络媒介信息，实现此种有效发布的前提需要进行剧目的库存进行预估，即估计未来一定时间内此部剧集每天产生的曝光量。

由于每一部视频专辑(剧目)的主要目标受众都不尽相同，而网络媒介信息发布方根据推广的产品有定向到不同受众的需求，倾向指定网络媒介信息只投放到选择的若干部视频专辑中，因此视频专辑定向的需求日期强烈，而视频专辑的曝光量的预估是实现CPM网络媒介信息在指定视频专辑上定向发布的前提。另外，清晰知道视频专辑的预计曝光量，对分析整体曝光量或者地域曝光量的波动也很有帮助。

由于CPM网络媒介信息一般会提前进行售卖，比如提前一个月，这就要求我们对一个月后的网络媒介信息曝光量进行预估，预估的准确率对资源的合理利用和网络媒介信息平台的收益有直接的关系，因此曝光量预估是CPM网络媒介信息售卖中非常重要的一个环节。曝光量预估可以分为不同的纬度进行预估以适应不同网络媒介信息发布方的需求，比如地域纬度的曝光量预估用于网络媒介信息发布方进行地域定向投放，年龄性别纬度的曝光量预估用于网络媒介信息发布方进行人口特征定向投放，而针对视频专辑的曝光量预估是指对一个视频集合(比如一部电视剧)进行未来若干天的每天曝光量进行预估。

现有技术中针对视频专辑的曝光量预估方法，通常为时间序列分析(Timeseriesanalysis)方法。时间序列分析是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法(如非线性最小二乘法)进行。

然而，针对视频专辑的曝光量预估，现有技术中单一的时间序列分析方法已经不能适应，其预估误差率非常大，准确率低。

发明内容

有鉴于此，本发明的主要目的在于提供一种视频专辑中网络媒介信息的曝光量的预估方法和系统，以提高对视频专辑中网络媒介信息曝光量的预估准确率。

本发明的技术方案是这样实现的：

一种视频专辑中网络媒介信息的曝光量的预估方法，包括：

判断视频专辑的是否为间隔周期性视频专辑；

在视频专辑为间隔周期性视频专辑时，采用时间序列分析方法预估该视频专辑中网络媒介信息曝光量；

在视频专辑为非间隔周期性视频专辑时，确定该视频专辑的首播期、衰退期和长尾期，采用指定预估模型预估该视频专辑首播期和衰退期中的网络媒介信息曝光量，采用时间序列分析方法预估该视频专辑长尾期中的网络媒介信息曝光量。

一种视频专辑中网络媒介信息的曝光量的预估系统，包括：

判断模块，用于判断视频专辑的是否为间隔周期性视频专辑；

间隔周期性视频专辑预估模块，用于在视频专辑为间隔周期性视频专辑时，采用时间序列分析方法预估该视频专辑中网络媒介信息曝光量；

非间隔周期性视频专辑预估模块，用于在视频专辑为非间隔周期性视频专辑时，确定该视频专辑的首播期、衰退期和长尾期，采用指定预估模型预估该视频专辑首播期和衰退期中的网络媒介信息曝光量，采用时间序列分析方法预估该视频专辑长尾期中的网络媒介信息曝光量。

与现有技术相比，本发明对视频专辑进行了分类，即针对间隔周期性视频专辑和非间隔周期性视频专辑分别进行网络媒介信息曝光量的预估，而不是采用单一的时间序列分析方法进行预估。其中，在视频专辑为间隔周期性视频专辑时，由于其具有明显的周期性特征，因此采用时间序列分析方法预估该视频专辑中网络媒介信息曝光量；在视频专辑为非间隔周期性视频专辑时，由于其没有明显的周期性特征，因此需要进一步确定该视频专辑的首播期、衰退期和长尾期，因为每一个时期其特征是不同的，所以采用指定预估模型预估该视频专辑首播期和衰退期中的网络媒介信息曝光量，采用时间序列分析方法预估该视频专辑长尾期中的网络媒介信息曝光量。因此本发明可以对视频专辑这种具有独特性的网络媒介进行分别处理，使得不同的预估方法来分别预估不同周期特性的视频专辑，因此相对现有技术更有针对性，其预估出的网络媒介信息曝光量的误差率更小，准确率更高。

附图说明

图1为本发明所述视频专辑中网络媒介信息的曝光量的预估方法的一种流程图；

图2为一种间隔周期性的综艺节目的曝光量走势图；

图3为一种非间隔周期性的国产电视剧的曝光量走势图；

图4为本发明通过建立ARIMA(p,d,q)模型进行曝光量预估的基本流程；

图5为本发明所述视频专辑中网络媒介信息的曝光量的预估系统的一种组成示意图；

图6为本发明一种实施例中所述非间隔周期性视频专辑预估模块的组成示意图。

具体实施方式

下面结合附图及具体实施例对本发明再作进一步详细的说明

首先，本发明仔细分析了视频专辑的网络媒介信息曝光量的独特性，发现视频专辑网络媒介信息曝光量与其他种类的网络媒介信息曝光量有很大的区别：1)曝光量相比较于地域和性别等纬度曝光量小很多，因此波动性会很大，预估的难度也非常高。2)曝光量的大小与视频的播放进度和更新集数有密切关系，因此准确预估需要抓住这个视频专辑的特性。

本发明根据对已有数万部视频专辑进行数据分析和挖掘，在对大量数据进行分析后，发现不同种类的视频专辑对应着不同的曝光量分布模式，没有单一的曝光量预估方法能够应对这种情况，应该对视频专辑进行分类预估处理。在对视频根据其播放更新周期进行分类后，本发明可以根据分类视频专辑的特征采用不同的方法来解决。

因此本发明技术方案的核心方案是先对视频专辑进行分类，然后对不同类型的视频专辑应用相应的预估方法或者对同一视频专辑的不同生命周期阶段应用相应的预估方法。

图1为本发明所述视频专辑中网络媒介信息的曝光量的预估方法的一种流程图。参见图1，该方法主要包括：

步骤101、判断视频专辑的是否为间隔周期性视频专辑。

步骤102、在视频专辑为间隔周期性视频专辑时，采用时间序列分析方法预估该视频专辑中网络媒介信息曝光量。

步骤103、在视频专辑为非间隔周期性视频专辑时，确定该视频专辑的首播期、衰退期和长尾期，采用指定预估模型预估该视频专辑首播期和衰退期中的网络媒介信息曝光量，采用时间序列分析方法预估该视频专辑长尾期中的网络媒介信息曝光量。

具体的，如步骤101所述，本发明对视频专辑进行分类的指标是视频专辑是否是间隔周期性的。在步骤101中，本发明所述判断视频专辑的是否为间隔周期性视频专辑，具体的判断方式包括：判断视频专辑的最大更新时间间隔max_gap_day是否超过指定天数(比如2天或者3天)，如果超过则判定该视频专辑为间隔周期性视频专辑，否则判定该视频专辑为非间隔周期性视频专辑。

例如，对于每周播放一次的综艺节目和每周有两天更新的韩剧美剧，它们的最大更新间隔都超过了2天，因此可以判定其是间隔周期性的，一般这样的视频专辑会维持较长的播放时间，一般都会超过2个月，其曝光量变化较规律，可以使用时间序列分析的方法来进行预估，例如图2为一种间隔周期性的综艺节目的曝光量走势图。而对于max_gap_day<2非间隔周期性视频专辑，例如国产电视剧，基本上是每天都会播出，播放持续周期比较短，一般一两个礼拜就播放完毕了，由于每天都有新的剧集视频播放，而且剧集数也并不相同，视频曝光量的变化会比较剧烈，时间序列分析不能有效进行预估，误差率非常大，其曝光量走势如图3所示。

一个视频专辑从第一集(期或部)上线到下线(一般不会下线)是一个完整的生命周期，因此本发明将一个视频专辑的生命周期划分为3个阶段，即：首播期、衰退期和长尾期。

所述步骤103中，所述确定该视频专辑的首播期、衰退期和长尾期，具体包括：

网络视频中的视频专辑从第一正片视频(第一集/期/部)上线后会持续有曝光量，视频专辑播放完毕后也会有不小的曝光量，除非视频专辑下线，这一点与电视不一样。因此本发明将首播期定义为第一正片视频(第一集/期/部)上线到最后一正片视频(最后一集/期/部)上线的时间区间，包含上线当天。例如在图2中首播期就是第12天到第90天，在图3中首播期就是第12天到第28天。

首播期结束后，视频专辑不再有新的视频上线，视频专辑的播放量会持续下降，然后下降到达一个相对稳定的量并小幅度波动，衰退期是指视频专辑中的最后一正片视频(最后一集/期/部)上线后的第二天到进入长尾期的前一天。确定衰退期结束的方法有多种，第一种可以直接指定一个时间期限，比如指定衰退期为30天，即将首播期结束后的第二天到指定天数的时间区间作为衰退期，将衰退期之后的时间作为长尾期；另外一种可以根据曝光量波动率来确定衰退期的结束，如果从第i天开始连续k天的曝光量波动率小于指定波动率，则将第i天及其以后的时间作为长尾期，将首播期结束后的第二天到第i－1天作为衰退期。例如，如果持续3天视频专辑的曝光量波动率小于f％，则认为该视频专辑进入了长尾期。波动率计算公式为B[i]＝(I[i]-I[i-1])/I[i]*100％，其中I[i]表示第i天的曝光量，B[i]表示第i天的曝光量波动率。衰退期之后的时间段就全部属于长尾期。

本发明中，对于预估间隔周期性视频专辑的网络媒介信息曝光量，可以采用时间序列分析方法预估其网络媒介信息曝光量。因为周期性更新的视频专辑其曝光量具有明显的周期性特征，比较适合用时间序列分析的方法来进行预估。本发明的一种优选实施例中，采用时间序列分析中的差分自回归移动平均(ARIMA，AutoregressiveIntegratedMovingAverageModel)模型，来预估所述间隔周期性视频专辑的网络媒介信息曝光量。

ARIMA模型又称为box-jenkins模型、博克思-詹金斯法。其中ARIMA(p，d，q)称为差分自回归移动平均模型，AR是自回归，p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及ARIMA过程。

视频专辑曝光量预测ARIMA(p,d,q)模型实质是先对非平稳的曝光量历史数据Y_t进行d(d＝0,1,…,n)次差分处理得到新的平稳的数据序列X_t，将X_t拟合ARMA(p,q)模型，然后再将原d次差分还原，便可以得到Y_t的预测数据。其中，ARMA(p,q)的一般表达式为如下公式(1)：

式中，前半部分为自回归部分，非负整数p为自回归阶数，为自回归系数，后半部分为滑动平均部分，非负整数q为滑动平均阶数，θ₁，...，θ_q为滑动平均系数；X_t为曝光量数据相关序列，ε_t为WN(0,σ2)，是一个高斯白噪声序列。图4为本发明通过建立ARIMA(p,d,q)模型进行曝光量预估的基本流程，参见图4，该流程包括：

步骤401、获取开始播放的前指定天数的真实网络媒介信息曝光量；

步骤402、对该真实网络媒介信息曝光量进行零均值化；

步骤403、计算自相关函数(ACF)和偏自相关函数(PACF)；

步骤404、根据所述真实网络媒介信息曝光量，确定所述ARIMA模型中的未知参数；

步骤405、根据所述ARIMA模型，预估计算所述开始播放的指定天数之后的每天的网络媒介信息曝光量。

其中，各个步骤的具体计算方法可以参考现有技术，本文不再赘述。

对于非间隔周期性的视频专辑(如国产电视剧等类型)，本发明通过进行大量数据分析和挖掘之后提出指定的预估模型用于此类剧目的曝光量预估。本发明将待预估的非间隔周期性视频专辑的生命周期切分为3个部分，首播期、衰退期和长尾期，在这3个分期区间上分别使用不同的预估方法来进行网络媒介信息曝光量预估。

第一、非间隔周期性视频专辑首播期的网络媒介信息曝光量的预估。

在这个时间区间内，视频专辑的集数会持续增加，同时会引起曝光量的波动上升，一般会在大结局那天曝光量达到最大值。通常在获得首播期开始的指定天数内(如1到2天)的视频专辑的真实曝光量数据之后就可以进行后续日期的曝光量预估。

具体的，所述采用指定预估模型预估非间隔周期性视频专辑首播期中的网络媒介信息曝光量，具体包括如下步骤：

步骤511、获取所述视频专辑首播期开始指定天数n(如1到2天)的每天的真实网络媒介信息曝光量；

步骤512、利用以下公式(2)计算新增一集产生的曝光量增量Δ：

$\mathrm{\&Delta;}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{N_i*f_i-\mathrm{\&alpha;}*N_i*f_{i-1}}{N_i^2}---\left(2\right)$

公式(2)中，f_i表示该视频专辑首播期的第i天的实际曝光量，N_i表示该第i天此视频专辑新增的集数，α表示此视频专辑的衰退因子，取值范围为[0.5，1.0]；

步骤513、利用以下公式(3)预估所述首播期n天后的每天的曝光量：

F_i＝F_i-1*(α+C_i/T*β)+Δ*N_i(3)

公式(3)中，所述F_i表示该视频专辑首播期的第i天的预估曝光量，C_i表示从首播期第一天到第i天该视频专辑播放的总集数，T表示该视频专辑的总集数，α表示此视频专辑的衰退因子，取值范围为[0.5，1.0]，β表示播放进度对衰退因子的影响，取值范围为[0,0.5]，Δ表示利用所述公式(2)计算出的新增一集产生的曝光量。

第二、非间隔周期性视频专辑衰退期的网络媒介信息曝光量的预估。

衰退期是指从指从大结局后的第一天到长尾期的前一天，此日期区间内视频专辑的曝光量呈现急剧下降的趋势。衰退期的曝光量走势符合指数衰退趋势。

具体的，所述采用指定预估模型预估该视频专辑衰退期中的网络媒介信息曝光量，具体包括如下步骤：

步骤521、确定所述视频专辑首播期最后一天的网络媒介信息曝光量F_M。

此处，针对所述F_M，可以采用上述步骤511至513所述的指定预估模型预估该首播期最后一天的网络媒介信息曝光量作为F_M；或者也可以获取所述视频专辑首播期最后一天的真实网络媒介信息曝光量作为F_M。

步骤522、根据历史数据中指定个视频专辑(如多部已经播放的电视剧)的衰退期的真实网络媒介信息曝光量拟合计算衰退速率b。

步骤523、利用以下公式(4)预估计算衰退期第j天的网络媒介信息曝光量F_j：

F_j＝F_M*e^-b*j(4)

其中，j为从1开始在自然数，若j大于指定天数m，例如m＝3，则利用该视频专辑衰退期前m天的真实网络媒介信息曝光量重新计算公式(4)中的衰退率b，再利用公式(4)预估衰退期第j天(即衰退期第m天之后的每天)的网络媒介信息曝光量F_j。

第三、非间隔周期性视频专辑长尾期的网络媒介信息曝光量的预估。

在长尾期视频专辑的曝光量基本已经平稳，波动和变化比较小，此期间本发明一般使用时间序列分析的方法进行曝光量预估，其方法与上述间隔周期性是专辑的网络媒介信息曝光量的预估方法相同。即也可以采用差分自回归移动平均ARIMA模型，预估所述视频专辑中的网络媒介信息曝光量。具体的预估处理方法如图4及上述的说明，此处不再赘述。

本发明中，通过有机结合上述指定的预估模型和时间序列分析方法，首先对视频专辑进行分类，可以分为间隔周期性视频专辑和非间隔周期性视频专辑。对间隔周期性视频使用时间序列分析方法来进行曝光量预估，对非间隔周期性视频专辑在首播期使用如公式(2)和公式(3)所述的指定预估模型进行曝光量预估，在衰退期使用如公式(4)所述的指定预估模型进行曝光量预估，在长尾期使用时间序列分析方法进行曝光量预估。本发明的技术方案能够有效应对各种视频专辑曝光量预估的情况，并能有效提升视频专辑的曝光量预估准确率，实验数据表明，本发明的方案在提前28天进行预估能达到80％以上的准确率。预估准确率的提升对有效利用曝光量资源，增加网络媒介信息发布平台回报率起着非常重要的作用。

与上述方法对应，本发明还公开了一种视频专辑中网络媒介信息的曝光量的预估系统，以执行上述预估方法。图5为本发明所述视频专辑中网络媒介信息的曝光量的预估系统的一种组成示意图。参见图5，该预估系统主要包括：

判断模块501，用于判断视频专辑的是否为间隔周期性视频专辑。

间隔周期性视频专辑预估模块502，用于在视频专辑为间隔周期性视频专辑时，采用时间序列分析方法预估该视频专辑中网络媒介信息曝光量；具体的，可以采用差分自回归移动平均ARIMA模型，预估所述视频专辑中的网络媒介信息曝光量。

非间隔周期性视频专辑预估模块503，用于在视频专辑为非间隔周期性视频专辑时，确定该视频专辑的首播期、衰退期和长尾期，采用指定预估模型预估该视频专辑首播期和衰退期中的网络媒介信息曝光量，采用时间序列分析方法预估该视频专辑长尾期中的网络媒介信息曝光量。

在本发明所述预估系统的一种具体的实施例中，所述判断模块501具体用于：判断视频专辑的最大更新时间间隔是否超过指定天数，如果超过则判定该视频专辑为间隔周期性视频专辑，否则判定该视频专辑为非间隔周期性视频专辑。

图6为本发明一种实施例中所述非间隔周期性视频专辑预估模块的组成示意图。在本发明所述预估系统的一种具体的实施例中，所述非间隔周期性视频专辑预估模块具体包括：

生命周期确定模块601，用于确定所述视频专辑的首播期、衰退期和长尾期，其中：将该视频专辑第一正片视频上线到最后一正片视频上线的时间区间，作为首播期；将首播期结束后的第二天到指定天数的时间区间作为衰退期，将衰退期之后的时间作为长尾期；或者，如果从第i天开始连续k天的曝光量波动率小于指定波动率，则将第i天及其以后的时间作为长尾期，将首播期结束后的第二天到第i－1天作为衰退期。

首播期曝光量预估模块602，用于采用指定预估模型预估该视频专辑首播期中的网络媒介信息曝光量；具体的预估模型请参见上述公式(2)和公式(3)，具体的处理过程请参见上述步骤511至513。

衰退期曝光量预估模块603，用于采用指定预估模型预估该视频专辑衰退期中的网络媒介信息曝光量；具体的预估模型请参见上述公式(4)，具体的处理过程请参见上述步骤521至523。

长尾期曝光量预估模块604，用于采用时间序列分析方法预估该视频专辑长尾期中的网络媒介信息曝光量。具体的，可以采用差分自回归移动平均ARIMA模型，预估所述视频专辑中的网络媒介信息曝光量。

本发明的所述网络媒介信息处理技术可以应用到许多产业领域。例如可以应用到互联网的广告处理展示领域中，所述互联网广告可以看作是一种网络媒介信息。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。所述各实施例的功能模块可以位于一个终端或网络节点，或者也可以分布到多个终端或网络节点上。

另外，本发明的每一个实施例可以通过由数据处理设备如计算机执行的数据处理程序来实现。显然，数据处理程序构成了本发明。此外，通常存储在一个存储介质中的数据处理程序通过直接将程序读取出存储介质或者通过将程序安装或复制到数据处理设备的存储设备(如硬盘和或内存)中执行。因此，这样的存储介质也构成了本发明。存储介质可以使用任何类型的记录方式，例如纸张存储介质(如纸带等)、磁存储介质(如软盘、硬盘、闪存等)、光存储介质(如CD-ROM等)、磁光存储介质(如MO等)等。

因此本发明还公开了一种存储介质，其中存储有数据处理程序，该数据处理程序用于执行本发明上述方法的任何一种实施例。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (12)

1.一种视频专辑中网络媒介信息的曝光量的预估方法，其特征在于，包括：

判断视频专辑的是否为间隔周期性视频专辑；

在视频专辑为间隔周期性视频专辑时，采用时间序列分析方法预估该视频专辑中网络媒介信息曝光量；

在视频专辑为非间隔周期性视频专辑时，确定该视频专辑的首播期、衰退期和长尾期，采用指定预估模型预估该视频专辑首播期和衰退期中的网络媒介信息曝光量，采用时间序列分析方法预估该视频专辑长尾期中的网络媒介信息曝光量。

2.根据权利要求1所述的方法，其特征在于，所述判断视频专辑的是否为间隔周期性视频专辑，具体包括：

判断视频专辑的最大更新时间间隔是否超过指定天数，如果超过则判定该视频专辑为间隔周期性视频专辑，否则判定该视频专辑为非间隔周期性视频专辑。

3.根据权利要求1所述的方法，其特征在于，所述确定该视频专辑的首播期、衰退期和长尾期，具体为：

将该视频专辑第一正片视频上线到最后一正片视频上线的时间区间，作为首播期；

将首播期结束后的第二天到指定天数的时间区间作为衰退期，将衰退期之后的时间作为长尾期；

或者，如果从第i天开始连续k天的曝光量波动率小于指定波动率，则将第i天及其以后的时间作为长尾期，将首播期结束后的第二天到第i－1天作为衰退期。

4.根据权利要求1所述的方法，其特征在于，所述采用指定预估模型预估该视频专辑首播期中的网络媒介信息曝光量，具体包括：

获取所述视频专辑首播期开始指定天数n的每天的真实网络媒介信息曝光量；

利用以下公式(2)计算新增一集产生的曝光量增量Δ：

$\mathrm{\&Delta;}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{N_i*f_i-\mathrm{\&alpha;}*N_i*f_{i-1}}{N_i^2}---\left(2\right)$

公式(2)中，f_i表示该视频专辑首播期的第i天的实际曝光量，N_i表示该第i天此视频专辑新增的集数，α表示此视频专辑的衰退因子，取值范围为[0.5，1.0]；

利用以下公式(3)预估所述首播期n天后的每天的曝光量：

F_i＝F_i-1*(α+C_i/T*β)+Δ*N_i(3)

公式(3)中，所述F_i表示该视频专辑首播期的第i天的预估曝光量，C_i表示从首播期第一天到第i天该视频专辑播放的总集数，T表示该视频专辑的总集数，β表示播放进度对衰退因子的影响，取值范围为[0,0.5]，Δ表示新增一集产生的曝光量。

5.根据权利要求1所述的方法，其特征在于，所述采用指定预估模型预估该视频专辑衰退期中的网络媒介信息曝光量，具体包括：

确定所述视频专辑首播期最后一天的网络媒介信息曝光量F_M；

根据历史数据中指定个视频专辑的衰退期的真实网络媒介信息曝光量拟合计算衰退速率b；

利用以下公式(4)预估计算衰退期第j天的网络媒介信息曝光量F_j：

F_j＝F_M*e^-b*j(4)

其中，若j大于指定天数m，则利用该视频专辑衰退期前m天的真实网络媒介信息曝光量重新计算公式(4)中的衰退率b，再利用公式(4)预估衰退期第j天的网络媒介信息曝光量F_j。

6.根据权利要求5所述的方法，其特征在于，所述确定所述视频专辑首播期最后一天的网络媒介信息曝光量，具体为：采用所述指定预估模型预估该首播期最后一天的网络媒介信息曝光量，或者获取所述视频专辑首播期最后一天的真实网络媒介信息曝光量。

7.根据权利要求1所述的方法，其特征在于，所述采用时间序列分析方法预估该视频专辑中网络媒介信息曝光量，具体包括：采用差分自回归移动平均ARIMA模型，预估所述视频专辑中的网络媒介信息曝光量。

8.根据权利要求7所述的方法，其特征在于，所述采用差分自回归移动平均ARIMA模型，预估所述视频专辑中的网络媒介信息曝光量，具体包括：

获取开始播放的前指定天数的真实网络媒介信息曝光量；

对该真实网络媒介信息曝光量进行零均值化；

计算自相关函数和偏自相关函数；

根据所述真实网络媒介信息曝光量，确定所述ARIMA模型中的未知参数；

根据所述ARIMA模型，预估计算所述开始播放的指定天数之后的每天的网络媒介信息曝光量。

9.一种视频专辑中网络媒介信息的曝光量的预估系统，其特征在于，包括：

判断模块，用于判断视频专辑的是否为间隔周期性视频专辑；

间隔周期性视频专辑预估模块，用于在视频专辑为间隔周期性视频专辑时，采用时间序列分析方法预估该视频专辑中网络媒介信息曝光量；

非间隔周期性视频专辑预估模块，用于在视频专辑为非间隔周期性视频专辑时，确定该视频专辑的首播期、衰退期和长尾期，采用指定预估模型预估该视频专辑首播期和衰退期中的网络媒介信息曝光量，采用时间序列分析方法预估该视频专辑长尾期中的网络媒介信息曝光量。

10.根据权利要求9所述的系统，其特征在于，所述判断模块具体用于：判断视频专辑的最大更新时间间隔是否超过指定天数，如果超过则判定该视频专辑为间隔周期性视频专辑，否则判定该视频专辑为非间隔周期性视频专辑。

11.根据权利要求9所述的系统，其特征在于，所述非间隔周期性视频专辑预估模块具体包括：

生命周期确定模块，用于确定所述视频专辑的首播期、衰退期和长尾期；

首播期曝光量预估模块，用于采用指定预估模型预估该视频专辑首播期中的网络媒介信息曝光量；

衰退期曝光量预估模块，用于采用指定预估模型预估该视频专辑衰退期中的网络媒介信息曝光量；

长尾期曝光量预估模块，用于采用时间序列分析方法预估该视频专辑长尾期中的网络媒介信息曝光量。

12.根据权利要求11所述的系统，其特征在于，所述生命周期确定模块具体用于：将所述视频专辑第一正片视频上线到最后一正片视频上线的时间区间，作为首播期；将首播期结束后的第二天到指定天数的时间区间作为衰退期，将衰退期之后的时间作为长尾期；或者，如果从第i天开始连续k天的曝光量波动率小于指定波动率，则将第i天及其以后的时间作为长尾期，将首播期结束后的第二天到第i－1天作为衰退期。