CN108596717A

CN108596717A - 一种对影院放映排期进行智能推荐的方法

Info

Publication number: CN108596717A
Application number: CN201810338972.XA
Authority: CN
Inventors: 唐立国
Original assignee: Century Cinema Technology Services (beijing) Co Ltd
Current assignee: Century Cinema Technology Services (beijing) Co Ltd
Priority date: 2018-04-16
Filing date: 2018-04-16
Publication date: 2018-09-28
Anticipated expiration: 2038-04-16
Also published as: CN108596717B

Abstract

本发明涉及一种对影院放映排期进行智能推荐的方法，包括：步骤一：服务器每小时从售票系统内获取指定日期内影院各放映厅的放映排期和观影人数以及购买票价，积累历史数据；步骤二：根据影院座位数来区分不同档次影院并进行分类统计分析；步骤三：通过网络大数据搜索正在上映影片的相关舆情数据；步骤四：服务器根据步骤一到步骤三所获得的数据，生成影片排期。本发明通过服务器结合从售票系统获取的真实销售数据、排期数据以及从网络上搜索到的正在上映影片的相关舆情数据生成影片排期，大大提高了影片排期推荐的准确性，自动化程度高，能自动生成影片最佳排期，并据此预测出可能的票房，大大提高了影院效益，可以很好地满足实际应用的需要。

Description

一种对影院放映排期进行智能推荐的方法

技术领域

本发明属于电影放映技术领域，具体涉及一种对影院放映排期进行智能推荐的方法。

背景技术

影院的核心营收就是售票放映，但在什么时间放映什么影片能够吸引更多的人购票观看，是影院营收的核心竞争力。目前大部分影院是基于经验来排期，一方面对营业人员积累时间要求长，另一方面社会发展快速，单靠个人能力也很难想适应快速变化的消费习惯。以上的缺陷在于：1、大部分影院没有一种可以量化的分析整理排期的工具或方法。2、依赖于个人经验难以推广和扩大。3、个人经验难以保障排期水平长期稳定。

发明内容

针对上述现有技术中存在的问题，本发明的目的在于提供一种可避免出现上述技术缺陷的对影院放映排期进行智能推荐的方法。

为了实现上述发明目的，本发明提供的技术方案如下：

一种对影院放映排期进行智能推荐的方法，包括通过网络大数据搜索正在上映影片的相关舆情数据的步骤。

进一步地，所述方法包括以下步骤：

步骤一：服务器每小时从售票系统内获取指定日期内影院各放映厅的放映排期和观影人数以及购买票价，积累历史数据；

步骤二：根据影院座位数来区分不同档次影院并进行分类统计分析；

步骤三：通过网络大数据搜索正在上映影片的相关舆情数据；

步骤四：服务器根据步骤一到步骤三所获得的数据，生成影片排期。

进一步地，通过网络大数据搜索正在上映影片的相关舆情数据的步骤包括：

步骤1)选取目标：通过网页次序值来实现对网页链接结构的量化，网页次序值PR(p)的计算公式如下：

其中，T代表计算中的页面总量，γ<1代表阻尼常数因子，in(p)代表所有指向p页面的集合，out(r)为页面r出链的集合；

步骤2)建立模型：

用W表示截至目前找到的帕累托最优解集合；W中有三个特定点：一个点包括U¹ _min，第二个点包括U² _min，第三个点包括U³ _min；分别用(U¹ _min,U² _i,U³ _i)， (U¹ _j,U² _min,U³ _j)和(U¹ _k,U² _k,U³ _min)表示该三个特定点,其中：U¹ _min＝min{U¹(x)|x∈ W}，U² _min＝min{U²(x)|x∈W}，U³ _min＝min{U³(x)|x∈W}。

进一步地，所述步骤1)还包括：内容相关度用于衡量检索要求和网页内容的一致性程度，计算公式如下：

其中，q和p分别代表主题关键词集合和页面链接文本集合，w_kq代表集合q 中单词k对某一主题的重要程度，w_kp代表集合q中单词k对某一主题的重要程度， w_kp和w_kq采用TF-IDF公式计算得到。

进一步地，所述步骤1)还包括：

通过ACOA来量化网页搜索使用者喜好度r₃，映射如下：

网页搜索使用者→蚂蚁；

网页搜索使用者需要的网页→食物；

网络链接→路径；

网页搜索使用者对某链接的点击次数→蚂蚁留下的信息素浓度；

用如下公式表示第i个链接上的信息素浓度τ_i：

其中n_i为网页搜索使用者对第i个链接的点击次数，m为相关网页的总量。

进一步地，所述步骤1)还包括：建立基于ACOA的多目标优化方法的网页价值评价策略，选取目标为网页次序值、内容相关度和信息素浓度；

令P(x_i)＝第i个网页的网页次序值，N(x_i)＝第i个网页的内容相关度，Q(x_i)＝第i个网页的信息素浓度；从而将该问题归结为一个多目标优化模型： min U₁＝1-P(x)；minU₂＝1-N(x)；min U₃＝1-Q(x)；

s.t.x是相关网页集0≤P(x),N(x),Q(x)≤1。

进一步地，所述步骤2)还包括：通过三个点(U¹ _min,U² _i,U³ _i)，(U¹ _j,U² _min,U³ _j) 和(U¹ _k,U² _k,U³ _min)的平面将目标空间分成了两部分：一部分包含正的理想解 U⁺，另一部分包含了负的理想解U^-；U⁺中的解相较于U^-中的解具有更小的目标函数值，所以在空间U⁺中的网页价值更高，更应该将空间U⁺中的网页优先返回给网页搜索使用者；更新集合W为U⁺，并更新该三个特定点，在连续的网页选择中，通过三个点(U¹ _min,U² _i,U³ _i)，(U¹ _j,U² _min,U³ _j)和(U¹ _k,U² _k,U³ _min) 的平面沿着从负理想点到正理想点的方向逐步移动

进一步地，所述步骤2)具体通过以下步骤实现：

步骤(1)将搜索到的与关键词相关的网页放入集合W中，计算集合W中的每个网页的目标值(r₁,r₂,r₃)，并将其转化为(U₁,U₂,U₃)；

步骤(2)确定集合W中的三个特定点(U¹ _min,U² _i,U³ _i)，(U¹ _j,U² _min,U³ _j)和 (U¹ _k,U² _k,U³ _min)，根据集合W中的三个特定点将集合分为正的理想解U⁺和负的理想解U^-两部分，更新集合W为U⁺；

步骤(3)检查终止条件：如果集合W中网页的数量已小于给定的值N，则停止，否则转到步骤2)；

步骤(4)返回集合W中的网页；

步骤(5)重复步骤(1)-(4)若干次得到一个帕累托最优解集合，由网页搜索使用者自己来选择最好地表达其对各个目标权衡取舍的帕累托最优解。

进一步地，在所述步骤四中，生成影片排期的步骤包括：

1)将取得的影片票房数据，以两小时为单位划分，计算每个时段内各影片的票房占比；2)将票房占比从高到底的影片依次取出，直至票房占比累加达到 80％(最后一部影片累加前小于80％，累加后大于等于80％)，保留这些影片的数据；3)结合保留影片的各自票房占比，以及这些影片的相关舆情数据，按优劣程度分析出这些影片的排映次数比例；4)根据影院的影厅数量，按影片的排映次数比例推算出每个时段内各影片的排映次数，同时，结合该影院各影厅的上座率数据以及影厅的评分数据，优先将优质影片排在优质影厅；5)在每个时段排映影片的同时，要结合各时段排映情况，保证衔接的合理性，避免出现场间时间过短或过长的情况，同时在同一时段，相同的影片排映时开场时间要合理的错开。

本发明提供的对影院放映排期进行智能推荐的方法，智能化程度高，通过服务器结合从售票系统获取的真实销售数据、排期数据以及从网络上搜索到的正在上映影片的相关舆情数据生成影片排期，大大提高了影片排期推荐的准确性，自动化程度高，能自动生成影片最佳排期，并据此预测出可能的票房，能够满足市场需求，大大提高了影院效益，可以很好地满足实际应用的需要。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合具体实施例对本发明做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种对影院放映排期进行智能推荐的方法，包括以下步骤：

步骤一：服务器每小时从售票系统内获取指定日期内影院各放映厅的放映排期和观影人数以及购买票价，不断积累历史数据；

步骤三：通过网络大数据搜索正在上映影片的相关舆情数据，分析汇总观影群体特征、偏好及消费习惯等；

步骤四：服务器根据步骤一到步骤三所获得的数据，利用大数据算法生成不同影厅数量影院的影片排期，并提供全时段和黄金时段的分类展示。

在所述步骤三中，通过网络大数据搜索正在上映影片的相关舆情数据的步骤包括：

步骤1)选取目标：

通过网页次序(即PageRank)值来实现对网页链接结构的量化，对网页次序值的计算是重点，通过分析Web页面之间的相互引用关系来确定网页链接的重要程度，网页次序值的大小可以反映网页信息的可靠程度。网页次序值PR(p) 的计算公式如下：

其中，T代表计算中的页面总量，γ<1代表阻尼常数因子，in(p)代表所有指向p页面的集合，out(r)为页面r出链的集合。

内容相关度用于衡量检索要求和网页内容的一致性程度。计算公式如下：

通过ACOA(ACOA为ant colony optimization algorithm的缩写，蚁群算法) 来量化网页搜索使用者喜好度r₃，映射如下：

1.网页搜索使用者→蚂蚁；

2.网页搜索使用者需要的网页→食物；

3.网络链接→路径；

4.网页搜索使用者对某链接的点击次数→蚂蚁留下的信息素浓度。

当网页搜索使用者通过输入关键字进行搜索后，根据自己的主观判断对搜索显示的网页做出选择。由于每个搜索者判断的依据在于网页链接与其所需要的信息的关联程度，所以那些真正被网页搜索使用者所需求的网页会被网页搜索使用者所点击浏览，其相应的信息素浓度就会越来越高，用如下公式表示第i 个链接上的信息素浓度τ_i：

规定ACOA计算链接的信息素浓度τ_i代表网页搜索使用者的喜好程度，信息素浓度τ_i越高的网页越满足网页搜索使用者的需求。

为提高网页搜索效率和网页链接价值评价的准确性，建立基于ACOA的多目标优化方法的网页价值评价策略，选取目标为网页次序值、内容相关度和信息素浓度，从而在考虑了文本价值的同时还准确预测了链接价值，解决了“主题漂移”问题，还把用信息素浓度表示的网页搜索使用者喜好度列入目标，体现了该搜索算法的人性化、高效性以及高智能程度。

s.t.x是相关网页集0≤P(x),N(x),Q(x)≤1。

步骤2)建立模型：

用W表示截至目前找到的帕累托最优解集合。W中有三个特定点：一个点包括U¹ _min，第二个点包括U² _min，第三个点包括U³ _min。分别用(U¹ _min,U² _i,U³ _i)， (U¹ _j,U² _min,U³ _j)和(U¹ _k,U² _k,U³ _min)表示该三个特定点,其中：U¹ _min＝min{U¹(x)|x∈ W}，U² _min＝min{U²(x)|x∈W}，U³ _min＝min{U³(x)|x∈W}。

通过三个点(U¹ _min,U² _i,U³ _i)，(U¹ _j,U² _min,U³ _j)和(U¹ _k,U² _k,U³ _min)的平面将目标空间分成了两部分：一部分包含正的理想解U⁺，另一部分包含了负的理想解 U^-。U⁺中的解相较于U^-中的解具有更小的目标函数值，所以在空间U⁺中的网页价值更高，更应该将空间U⁺中的网页优先返回给网页搜索使用者。更新集合W为U⁺，并更新该三个特定点。这样，在连续的网页选择中，通过三个点 (U¹ _min,U² _i,U³ _i)，(U¹ _j,U² _min,U³ _j)和(U¹ _k,U² _k,U³ _min)的平面将沿着从负理想点到正理想点的方向逐步移动；

具体步骤如下：

步骤(2)确定集合W中的三个特定点(U¹ _min,U² _i,U³ _i)，(U¹ _j,U² _min,U³ _j)和(U¹ _k,U ² _k,U³ _min)，根据集合W中的三个特定点将集合分为正的理想解U⁺和负的理想解 U^-两部分，更新集合W为U⁺；

步骤(4)返回集合W中的网页；

通过上述步骤就能实现通过网络大数据搜索到正在上映影片的相关舆情数据，且搜索结果准确，搜索效率高，耗时短，可以很好地满足实际应用的需要。

在所述步骤四中，生成影片排期的步骤包括：

以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims

1.一种对影院放映排期进行智能推荐的方法，其特征在于，包括通过网络大数据搜索正在上映影片的相关舆情数据的步骤。

2.根据权利要求1所述的对影院放映排期进行智能推荐的方法，其特征在于，所述方法包括以下步骤：

3.根据权利要求1-2所述的对影院放映排期进行智能推荐的方法，其特征在于，通过网络大数据搜索正在上映影片的相关舆情数据的步骤包括：

步骤2)建立模型：

用W表示截至目前找到的帕累托最优解集合；W中有三个特定点：一个点包括U¹ _min，第二个点包括U² _min，第三个点包括U³ _min；分别用(U¹ _min,U² _i,U³ _i)，和(U¹ _k,U² _k,U³ _min)表示该三个特定点,其中：U¹ _min＝min{U¹(x)|x∈W}，U² _min＝min{U²(x)|x∈W}，U³ _min＝min{U³(x)|x∈W}。

4.根据权利要求1-3所述的对影院放映排期进行智能推荐的方法，其特征在于，所述步骤1)还包括：内容相关度用于衡量检索要求和网页内容的一致性程度，计算公式如下：

其中，q和p分别代表主题关键词集合和页面链接文本集合，w_kq代表集合q中单词k对某一主题的重要程度，w_kp代表集合q中单词k对某一主题的重要程度，w_kp和w_kq采用TF-IDF公式计算得到。

5.根据权利要求1-4所述的对影院放映排期进行智能推荐的方法，其特征在于，所述步骤1)还包括：

通过ACOA来量化网页搜索使用者喜好度r₃，映射如下：

网页搜索使用者→蚂蚁；

网页搜索使用者需要的网页→食物；

网络链接→路径；

用如下公式表示第i个链接上的信息素浓度τ_i：

6.根据权利要求1-5所述的对影院放映排期进行智能推荐的方法，其特征在于，所述步骤1)还包括：建立基于ACOA的多目标优化方法的网页价值评价策略，选取目标为网页次序值、内容相关度和信息素浓度；

令P(x_i)＝第i个网页的网页次序值，N(x_i)＝第i个网页的内容相关度，Q(x_i)＝第i个网页的信息素浓度；从而将该问题归结为一个多目标优化模型：

min U₁＝1-P(x)；min U₂＝1-N(x)；min U₃＝1-Q(x)；

s.t.x是相关网页集0≤P(x),N(x),Q(x)≤1。

7.根据权利要求1-6所述的对影院放映排期进行智能推荐的方法，其特征在于，所述步骤2)还包括：通过三个点(U¹ _min,U² _i,U³ _i)，和(U¹ _k,U ² _k,U³ _min)的平面将目标空间分成了两部分：一部分包含正的理想解U⁺，另一部分包含了负的理想解U^-；U⁺中的解相较于U^-中的解具有更小的目标函数值，所以在空间U⁺中的网页价值更高，更应该将空间U⁺中的网页优先返回给网页搜索使用者；更新集合W为U⁺，并更新该三个特定点，在连续的网页选择中，通过三个点(U¹ _min,U² _i,U³ _i)，和(U¹ _k,U² _k,U³ _min)的平面沿着从负理想点到正理想点的方向逐步移动。

8.根据权利要求1-7所述的对影院放映排期进行智能推荐的方法，其特征在于，所述步骤2)具体通过以下步骤实现：

步骤(2)确定集合W中的三个特定点(U¹ _min,U² _i,U³ _i)，和(U¹ _k,U² _k,U³ _min)，根据集合W中的三个特定点将集合分为正的理想解U⁺和负的理想解U^-两部分，更新集合W为U⁺；

步骤(4)返回集合W中的网页；

9.根据权利要求1-8所述的对影院放映排期进行智能推荐的方法，其特征在于，在所述步骤四中，生成影片排期的步骤包括：

1)将取得的影片票房数据，以两小时为单位划分，计算每个时段内各影片的票房占比；2)将票房占比从高到底的影片依次取出，直至票房占比累加达到80％(最后一部影片累加前小于80％，累加后大于等于80％)，保留这些影片的数据；3)结合保留影片的各自票房占比，以及这些影片的相关舆情数据，按优劣程度分析出这些影片的排映次数比例；4)根据影院的影厅数量，按影片的排映次数比例推算出每个时段内各影片的排映次数，同时，结合该影院各影厅的上座率数据以及影厅的评分数据，优先将优质影片排在优质影厅；5)在每个时段排映影片的同时，要结合各时段排映情况，保证衔接的合理性，避免出现场间时间过短或过长的情况，同时在同一时段，相同的影片排映时开场时间要合理的错开。