CN109146543A - 一种影片首映日票房预测方法及装置 - Google Patents

Abstract

本发明公开了一种影片首映日票房预测方法及装置，所述方法，包括：获取目标影片的票房参考信息；所述票房参考信息包括：影片基本信息、用户想看数据、用户画像数据；基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据；其中，所述票房数据预测模型为根据已知首映日票房数据的历史影片训练得到。解决了现有的影片票房数据预测方法在确定影片首日票房时准确度低、参考性差的问题。取得了提高首映日票房预测准确性以及可参考性的有益效果。

Description

一种影片首映日票房预测方法及装置

技术领域

本发明涉及影片票房统计技术领域，具体涉及一种影片首映日票房预测方法及装置。

背景技术

目前，随着中国电影市场的快速发展，电影上映量也随之增加，电影的票房数据作为电影行业的重要指标之一。而且随着用户需求日益增加和数据的收集方式也更加多样化和全面化等原因，导致市场竞争越发激烈，电影首映日票房预测方法的优劣直接影响影片的放映场次、放映数量等。因而，准确地预测电影的次日票房数据显得十分重要。

但是票房提前预测是一个较难的问题，一是由于票房结果本身受很多因素影响，预测时间越早受到的干扰越多；二是票房数据的训练数据量比较少，而且分布很不均匀。当前，相关技术中提供的影片票房数据的预测方法，主要是查看一些专业影评人结合专资办发布的前几日的影片的票房数据根据经验预估的该影片的首日票房数据。在实现本发明的过程中，发明人发现相关技术中至少存在以下问题：采用目前的影片票房数据的预测方法来确定影片首日票房存在准确度低、参考性差的问题，无法实现对影院的排片起到准确地指导作用。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种影片首映日票房预测方法和相应的一种影片首映日票房预测装置。

依据本发明的一个方面，提供了一种影片首映日票房预测方法，包括：

获取目标影片的票房参考信息；所述票房参考信息包括：影片基本信息、用户想看数据、用户画像数据；

基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据；

其中，所述票房数据预测模型为根据已知首映日票房数据的历史影片训练得到。

可选地，在所述基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据的步骤之前，还包括：

根据所述历史影片的用户画像数据和用户想看数据进行数据聚合，得到所述历史影片的人群集合想看数据；

基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息和首映日票房数据，训练所述票房数据预测模型。

可选地，所述票房数据预测模型为神经网络模型和线性模型的集成。

可选地，所述基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息和首映日票房数据，训练所述票房数据预测模型的步骤，包括：

基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息，构建所述历史影片的数据特征向量；

以所述历史影片的数据特征向量作为所述线性模型的输入，以所述历史影片的首映日票房数据作为所述线性模型的输出，训练所述线性模型，得到所述线性模型的权重向量；

将所述权重向量与所述历史影片的数据特征向量合并，并以合并后的向量作为所述神经网络模型的输入，以所述历史影片的首映日票房数据作为所述神经网络模型的输出，训练所述神经网络模型。

可选地，所述基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据的步骤，包括：

根据所述目标影片的用户画像数据和用户想看数据进行数据聚合，得到所述目标影片的人群集合想看数据；

基于所述目标影片的人群集合想看数据，以及所述目标影片的影片基本信息，构建所述目标影片的数据特征向量；

将所述权重向量与所述目标影片的数据特征向量合并，并将合并后的向量输入所述神经网络模型，得到所述目标影片的首映日票房数据。

根据本发明的另一方面，提供了一种影片首映日票房预测装置，包括：

票房参考信息获取模块，用于获取目标影片的票房参考信息；所述票房参考信息包括：影片基本信息、用户想看数据、用户画像数据；

首映日票房获取模块，用于基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据；

其中，所述票房数据预测模型为根据已知首映日票房数据的历史影片训练得到。

可选地，还包括：

第一想看数据聚合模块，用于根据所述历史影片的用户画像数据和用户想看数据进行数据聚合，得到所述历史影片的人群集合想看数据；

预测模型训练模块，用于基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息和首映日票房数据，训练所述票房数据预测模型。

可选地，所述票房数据预测模型为神经网络模型和线性模型的集成。

可选地，所述预测模型训练模块，包括：

第一特征向量构建子模块，用于基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息，构建所述历史影片的数据特征向量；

线性模型训练子模块，用于以所述历史影片的数据特征向量作为所述线性模型的输入，以所述历史影片的首映日票房数据作为所述线性模型的输出，训练所述线性模型，得到所述线性模型的权重向量；

神经网络模型训练子模块，用于将所述权重向量与所述历史影片的数据特征向量合并，并以合并后的向量作为所述神经网络模型的输入，以所述历史影片的首映日票房数据作为所述神经网络模型的输出，训练所述神经网络模型。

可选地，所述首映日票房获取模块，包括：

第二想看数据聚合子模块，用于根据所述目标影片的用户画像数据和用户想看数据进行数据聚合，得到所述目标影片的人群集合想看数据；

第二特征向量构建子模块，用于基于所述目标影片的人群集合想看数据，以及所述目标影片的影片基本信息，构建所述目标影片的数据特征向量；

首映日票房获取子模块，用于将所述权重向量与所述目标影片的数据特征向量合并，并将合并后的向量输入所述神经网络模型，得到所述目标影片的首映日票房数据。

根据本发明的影片首映日票房预测方法，通过获取目标影片的票房参考信息；所述票房参考信息包括：影片基本信息、用户想看数据、用户画像数据；基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据；其中，所述票房数据预测模型为根据已知首映日票房数据的历史影片训练得到。解决了现有的影片票房数据预测方法在确定影片首日票房时准确度低、参考性差的问题。取得了提高首映日票房预测准确性以及可参考性的有益效果。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的一种影片首映日票房预测方法的步骤流程图；

图2示出了根据本发明一个实施例的一种影片首映日票房预测方法的步骤流程图；

图3示出了根据本发明一个实施例的一种影片首映日票房预测装置的结构示意图；以及

图4示出了根据本发明一个实施例的一种影片首映日票房预测装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一

详细介绍本发明实施例提供的一种影片首映日票房预测方法。

参照图1，示出了本发明实施例中一种影片首映日票房预测方法的步骤流程图。

步骤110，获取目标影片的票房参考信息；所述票房参考信息包括：影片基本信息、用户想看数据、用户画像数据。

其中的目标影片即为需要进行首映日票房预测的待上映影片。影片基本信息可以包括但不限于上映时间因素、影片类型、影片导演信息、影片演员信息等等。其中的上映时间因素是指影片上映时的时间特征，例如上映时间是哪一年，几月，几号，星期几，几点几分，是否节假日，农历节日等。

用户想看数据可以指各用户对相应影片的想看选择数据，一定程度说明了用户对于电影的期待程度。在本发明实施例中，可以通过任何可用方法或设备获取用户想看数据，具体的可以根据需求进行预先设置，对此本发明实施例不加以限定。例如，用户可以通过点击选择影片浏览界面中的影片标识，进而表征其对相应影片感兴趣，想看该影片，那么此时则可以获取影片的点击数量进而得到相应影片的想看选择数据。

用户画像数据可以指想看相应影片用户的用户信息，那么对于同一影片而言，其用户想看数据与用户画像数据可以对应于同样的用户，例如某一用户通过点击某一影片标识表示对相应影片感兴趣，那么则可以将该影片的用户想看数据加一，同时获取该用户的用户画像数据。用户画像数据可以包括但不限于年龄、性别、职业、住址、姓名、历史观影记录等等。在本发明实施例中，可以通过任何可用方法或设备获取用户画像数据，对此本发明实施例不加以限定。

步骤120，基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据；其中，所述票房数据预测模型为根据已知首映日票房数据的历史影片训练得到。

其中的票房数据预测模型的类型及结构可以根据需求进行预先设定，对此本发明实施例不加以限定。例如，可以设置票房数据预测模型为线性模型、神经网络模型、模糊数学模型，等等，或者也可以是任意多种模型的组合。在本发明实施例中，为了利用票房数据预测模型对目标影片的首映日票房数据进行预测，需要先对票房数据预测模型进行训练，具体的可以利用至少一个已知首映日票房数据的历史影片对票房数据预测模型进行训练。此时可以分别获取各个历史影片的票房参考信息，然后以各历史影片的票房参考信息以及首映日票房数据训练票房数据预测模型。

需要说明的是，在本发明实施例中的首映日票房预测结果的准确性仍然与预设时间有关系，一般而言在目标影片上映前的一个月左右时间内的测结果比较准确，而距离上映时间超过一个月预测结果的准确性则会有所下降。

根据本发明实时例的影片首映日票房预测方法，通过获取目标影片的票房参考信息；所述票房参考信息包括：影片基本信息、用户想看数据、用户画像数据；基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据；其中，所述票房数据预测模型为根据已知首映日票房数据的历史影片训练得到。从而提高了首映日票房预测准确性以及可参考性。

实施例二

详细介绍本发明实施例提供的一种影片首映日票房预测方法。

参照图2，示出了本发明实施例中一种影片首映日票房预测方法的步骤流程图。

步骤210，根据所述历史影片的用户画像数据和用户想看数据进行数据聚合，得到所述历史影片的人群集合想看数据。

在实际应用中，不同用户群体想看的电影类型肯定会有所差别。例如对于儿童，比较倾向于在周末观看动画电影；对于白领，一般比较倾向于在周末或工作日晚上观看爱情电影和动作电影；对于中年人，一般比较倾向于观看喜剧电影；等等。但是在本发明实施例中，初始获取到的用户画像数据以及用户想看数据都是基于单独个人的，而每个人很难代表一个群体的想看倾向，那么在本发明实施例中，为了提高训练得到的票房数据预测模型的准确度，可以利用不同用户群体对不同影片的想看程度，对票房数据预测模型进行训练。那么首先，需要根据所述历史影片的用户画像数据和用户想看数据进行数据聚合，得到所述历史影片的人群集合想看数据。具体的可以采用任何可用方法进行数据聚合，对此本发明实施例不加以限定。

例如，假设用以训练票房数据预测模型的历史影片为电影1和电影2。

其中，各历史影片的用户想看数据为：

电影1，用户1

电影1，用户2

电影2，用户3

......

而各用户的用户画像数据为：

用户1(45岁，男，地址1)

用户2(3岁，女，地址2)

用户3(20岁，女，地址3)

......

那么，对上述的用户画像数据和用户想看数据进行数据聚合，得到各历史影片的人群集合想看数据为：

电影1，人群1(例如女性，20岁以下，北京)的想看总数为100，人群2的想看总数为60，......

电影2，人群1(例如女性，20岁以下，北京)的想看总数为200，人群2的想看总数为50，人群3的想看总数为60，......

......

步骤220，基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息和首映日票房数据，训练所述票房数据预测模型。

在获取得到历史影片的人群集合想看数据之后，则可以基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息和首映日票房数据，训练所述票房数据预测模型。具体的可以历史影片的人群集合想看数据以及影片基本信息作为票房数据预测模型的输入，同时以相应历史影片的首映日票房数据作为票房数据预测模型的输出，进而对票房数据预测模型中的参数进行训练。

可选地，在本发明实施例中，所述票房数据预测模型为神经网络模型和线性模型的集成。

在实际应用中，线性模型的描述能力一般但是稳定性强，而神经网模型的描述能力强，但是需求的数据量较多。因此，在本发明实施例中，为了总和提升票房数据预测模型的性能，可以设置票房数据预测模型为神经网络模型和线性模型的集成。其中神经网络模型和线性模型的集成方式可以根据需求进行预先设置，对此本发明实施例不加以限定。而通过不同的集成方式得到最终的票房数据预测模型，达到不错的预测效果。而且，其中神经网络模型和线性模型的具体结构均可以根据需求进行预先设定，对此本发明实施例也不加以限定。而且，其中的神经网络模型可以包括但不限于卷积神经网络模型、深度神经网络(DNN，Deep Neural Network)模型、循环神经网络模型，等等任何一种神经网络模型。

例如，可以设置票房数据预测模型中神经网络模型和线性模型的集成方式为线性模型的参数作为神经网络模型的特征使用。

可选地，在本发明实施例中，所述步骤220进一步可以包括：

子步骤221，基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息，构建所述历史影片的数据特征向量。

如前述，在本发明实施例中的票房数据预测模型为神经网络模型和线性模型的集成。而且，如果此时可以设置票房数据预测模型中神经网络模型和线性模型的集成方式为线性模型的参数作为神经网络模型的特征使用。那么首先需要其中的训练线性模型。

而为了训练线性模型，则需要先基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息，构建所述历史影片的数据特征向量。具体的可以针对各个历史影片，将其对应的人群集合想看数据以及影片基本信息进行合并，进而得到相应历史影片的数据特征向量。

例如，对于上述的历史影片：电影1，假设电影1的影片基本信息为爱情喜剧，导演为张XX，演员为邓XX和孙X，那么基于电影1的人群集合想看数据，以及影片基本信息，构建得到电影1的数据特征向量如下：

(100，50，……，爱情喜剧，张XX，邓XX，孙X)

当然，在本发明实施例中，可以采用其他任何可用方式基于人群集合想看数据以及影片基本信息，构建数据特征向量，具体的可以根据需求进行预先设定，对此本发明实施例不加以限定。

子步骤222，以所述历史影片的数据特征向量作为所述线性模型的输入，以所述历史影片的首映日票房数据作为所述线性模型的输出，训练所述线性模型，得到所述线性模型的权重向量。

那么在训练线性模型时，则可以历史影片的数据特征向量作为所述线性模型的输入，同时以相应历史影片的首映日票房数据作为所述线性模型的输出，训练该线性模型。其中，对线性模型的训练，也即对线性模型中的各个维度的权重进行训练，因此训练线性模型，可以得到线性模型中各个维度的权重，进而以各个维度的权重得到线性模型的权重向量。

例如，如果以上述的电影1、电影2等等第一电影的数据特征向量以及首映日票房数据训练线性模型。假设数据特征向量的维度为D，那么经训练后可以得到线性模型的权重值依次为w1：0.493875，w2：1.9837，等等。而且权重维度与输入训练数据的维度一致，也即维度为D。

子步骤223，将所述权重向量与所述历史影片的数据特征向量合并，并以合并后的向量作为所述神经网络模型的输入，以所述历史影片的首映日票房数据作为所述神经网络模型的输出，训练所述神经网络模型。

在对线性模型训练完成后，则可以对神经网络模型进行训练。如前述，可以设置票房数据预测模型中神经网络模型和线性模型的集成方式为线性模型的参数作为神经网络模型的特征使用。线性模型的参数也即线性模型的权重向量，因此在本发明实施例中，则可以将线性模型的权重向量与所述历史影片的数据特征向量合并，并以合并后的向量作为所述神经网络模型的输入，以所述历史影片的首映日票房数据作为所述神经网络模型的输出，训练所述神经网络模型。

例如，对于上述的历史影片：电影1，数据特征向量为(100，50，……，爱情喜剧，张XX，邓XX，孙X)，而训练得到的线性模型的权重向量为(0.493875，1.9837，……)，那么将权重向量与数据特征向量合并后可以得到(100，50，……，爱情喜剧，张XX，邓XX，孙X，0.493875，1.9837，……)，而且由于数据特征向量和权重向量的维度均为D，那么合并得到的向量维度为2D。此时可以将合并得到的向量作为神经网络模型的输入，以电影1的首映日票房数据作为神经网络模型的输出，以训练所述神经网络模型。

在本发明实施例中，步骤210-220可以在步骤240之前，以及步骤240之前的任一步骤之前执行，对此本发明实施例不加以限定。

步骤230，获取目标影片的票房参考信息；所述票房参考信息包括：影片基本信息、用户想看数据、用户画像数据。

步骤240，基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据；其中，所述票房数据预测模型为根据已知首映日票房数据的历史影片训练得到。

可选地，在本发明实施例中，所述步骤240进一步可以包括：

子步骤241，根据所述目标影片的用户画像数据和用户想看数据进行数据聚合，得到所述目标影片的人群集合想看数据。

本步骤与前述的步骤210类似，此时是针对目标影片的用户画像数据和用户想看数据进行数据聚合，得到所述目标影片的人群集合想看数据。具体不加以赘述。

子步骤242，基于所述目标影片的人群集合想看数据，以及所述目标影片的影片基本信息，构建所述目标影片的数据特征向量。

本步骤与前述的子步骤221类似，此时是基于所述目标影片的人群集合想看数据，以及所述目标影片的影片基本信息，构建所述目标影片的数据特征向量。具体不加以赘述。

子步骤243，将所述权重向量与所述目标影片的数据特征向量合并，并将合并后的向量输入所述神经网络模型，得到所述目标影片的首映日票房数据。

如前述，对于训练完成的线性模型的权重向量则可以直接使用，因此在获取得到目标影片的数据特征向量之后，则可以直接将已训练的线性模型的权重向量与目标影片的数据特征向量进行合并，并将合并后的向量输入已训练的神经网络模型，得到所述目标影片的首映日票房数据。

根据本发明实时例的影片首映日票房预测方法，通过获取目标影片的票房参考信息；所述票房参考信息包括：影片基本信息、用户想看数据、用户画像数据；基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据；其中，所述票房数据预测模型为根据已知首映日票房数据的历史影片训练得到。从而提高了首映日票房预测准确性以及可参考性。

而且，在本发明实施例中，还可以根据所述历史影片的用户画像数据和用户想看数据进行数据聚合，得到所述历史影片的人群集合想看数据；基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息和首映日票房数据，训练所述票房数据预测模型。从而可以进一步提高票房数据预测模型的准确性。

另外，在本发明实施例中，所述票房数据预测模型为神经网络模型和线性模型的集成。而且，基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息，构建所述历史影片的数据特征向量；以所述历史影片的数据特征向量作为所述线性模型的输入，以所述历史影片的首映日票房数据作为所述线性模型的输出，训练所述线性模型，得到所述线性模型的权重向量；将所述权重向量与所述历史影片的数据特征向量合并，并以合并后的向量作为所述神经网络模型的输入，以所述历史影片的首映日票房数据作为所述神经网络模型的输出，训练所述神经网络模型。同时，根据所述目标影片的用户画像数据和用户想看数据进行数据聚合，得到所述目标影片的人群集合想看数据；基于所述目标影片的人群集合想看数据，以及所述目标影片的影片基本信息，构建所述目标影片的数据特征向量；将所述权重向量与所述目标影片的数据特征向量合并，并将合并后的向量输入所述神经网络模型，得到所述目标影片的首映日票房数据。从而可以进一步提高首映日票房预测的准确性以及可参考性。

对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

实施例三

详细介绍本发明实施例提供的一种影片首映日票房预测装置。

参照图3，示出了本发明实施例中一种影片首映日票房预测装置的结构示意图。所述影片首映日票房预测装置，具体包括：

票房参考信息获取模块310，用于获取目标影片的票房参考信息；所述票房参考信息包括：影片基本信息、用户想看数据、用户画像数据。

首映日票房获取模块320，用于基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据；其中，所述票房数据预测模型为根据已知首映日票房数据的历史影片训练得到。

根据本发明实时例的影片首映日票房预测方法，通过获取目标影片的票房参考信息；所述票房参考信息包括：影片基本信息、用户想看数据、用户画像数据；基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据；其中，所述票房数据预测模型为根据已知首映日票房数据的历史影片训练得到。从而提高了首映日票房预测准确性以及可参考性。

实施例四

详细介绍本发明实施例提供的一种影片首映日票房预测装置。

参照图4，示出了本发明实施例中一种影片首映日票房预测装置的结构示意图。所述影片首映日票房预测装置，具体包括：

第一想看数据聚合模块410，用于根据所述历史影片的用户画像数据和用户想看数据进行数据聚合，得到所述历史影片的人群集合想看数据。

预测模型训练模块420，用于基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息和首映日票房数据，训练所述票房数据预测模型。

可选地，在本发明实施例中，所述票房数据预测模型为神经网络模型和线性模型的集成。

可选地，在本发明实施例中，所述预测模型训练模块420，进一步可以包括：

第一特征向量构建子模块，用于基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息，构建所述历史影片的数据特征向量。

线性模型训练子模块，用于以所述历史影片的数据特征向量作为所述线性模型的输入，以所述历史影片的首映日票房数据作为所述线性模型的输出，训练所述线性模型，得到所述线性模型的权重向量。

神经网络模型训练子模块，用于将所述权重向量与所述历史影片的数据特征向量合并，并以合并后的向量作为所述神经网络模型的输入，以所述历史影片的首映日票房数据作为所述神经网络模型的输出，训练所述神经网络模型。

票房参考信息获取模块430，用于获取目标影片的票房参考信息；所述票房参考信息包括：影片基本信息、用户想看数据、用户画像数据。

首映日票房获取模块440，用于基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据；其中，所述票房数据预测模型为根据已知首映日票房数据的历史影片训练得到。

可选地，在本发明实施例中，所述首映日票房获取模块440，进一步可以包括：

第二想看数据聚合子模块441，用于根据所述目标影片的用户画像数据和用户想看数据进行数据聚合，得到所述目标影片的人群集合想看数据。

第二特征向量构建子模块442，用于基于所述目标影片的人群集合想看数据，以及所述目标影片的影片基本信息，构建所述目标影片的数据特征向量。

首映日票房获取子模块443，用于将所述权重向量与所述目标影片的数据特征向量合并，并将合并后的向量输入所述神经网络模型，得到所述目标影片的首映日票房数据。

根据本发明实时例的影片首映日票房预测方法，通过获取目标影片的票房参考信息；所述票房参考信息包括：影片基本信息、用户想看数据、用户画像数据；基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据；其中，所述票房数据预测模型为根据已知首映日票房数据的历史影片训练得到。从而提高了首映日票房预测准确性以及可参考性。

而且，在本发明实施例中，还可以根据所述历史影片的用户画像数据和用户想看数据进行数据聚合，得到所述历史影片的人群集合想看数据；基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息和首映日票房数据，训练所述票房数据预测模型。从而可以进一步提高票房数据预测模型的准确性。

另外，在本发明实施例中，所述票房数据预测模型为神经网络模型和线性模型的集成。而且，基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息，构建所述历史影片的数据特征向量；以所述历史影片的数据特征向量作为所述线性模型的输入，以所述历史影片的首映日票房数据作为所述线性模型的输出，训练所述线性模型，得到所述线性模型的权重向量；将所述权重向量与所述历史影片的数据特征向量合并，并以合并后的向量作为所述神经网络模型的输入，以所述历史影片的首映日票房数据作为所述神经网络模型的输出，训练所述神经网络模型。同时，根据所述目标影片的用户画像数据和用户想看数据进行数据聚合，得到所述目标影片的人群集合想看数据；基于所述目标影片的人群集合想看数据，以及所述目标影片的影片基本信息，构建所述目标影片的数据特征向量；将所述权重向量与所述目标影片的数据特征向量合并，并将合并后的向量输入所述神经网络模型，得到所述目标影片的首映日票房数据。从而可以进一步提高首映日票房预测的准确性以及可参考性。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的影片首映日票房预测设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种影片首映日票房预测方法，其特征在于，包括：

获取目标影片的票房参考信息；所述票房参考信息包括：影片基本信息、用户想看数据、用户画像数据；

基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据；

其中，所述票房数据预测模型为根据已知首映日票房数据的历史影片训练得到。

2.根据权利要求1所述的方法，其特征在于，在所述基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据的步骤之前，还包括：

根据所述历史影片的用户画像数据和用户想看数据进行数据聚合，得到所述历史影片的人群集合想看数据；

基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息和首映日票房数据，训练所述票房数据预测模型。

3.根据权利要求1或2所述的方法，其特征在于，所述票房数据预测模型为神经网络模型和线性模型的集成。

4.根据权利要求3所述的方法，其特征在于，所述基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息和首映日票房数据，训练所述票房数据预测模型的步骤，包括：

基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息，构建所述历史影片的数据特征向量；

以所述历史影片的数据特征向量作为所述线性模型的输入，以所述历史影片的首映日票房数据作为所述线性模型的输出，训练所述线性模型，得到所述线性模型的权重向量；

将所述权重向量与所述历史影片的数据特征向量合并，并以合并后的向量作为所述神经网络模型的输入，以所述历史影片的首映日票房数据作为所述神经网络模型的输出，训练所述神经网络模型。

5.根据权利要求4所述的方法，其特征在于，所述基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据的步骤，包括：

根据所述目标影片的用户画像数据和用户想看数据进行数据聚合，得到所述目标影片的人群集合想看数据；

基于所述目标影片的人群集合想看数据，以及所述目标影片的影片基本信息，构建所述目标影片的数据特征向量；

将所述权重向量与所述目标影片的数据特征向量合并，并将合并后的向量输入所述神经网络模型，得到所述目标影片的首映日票房数据。

6.一种影片首映日票房预测装置，其特征在于，包括：

票房参考信息获取模块，用于获取目标影片的票房参考信息；所述票房参考信息包括：影片基本信息、用户想看数据、用户画像数据；

首映日票房获取模块，用于基于所述票房参考信息，利用预设的票房数据预测模型，获取所述目标影片的首映日票房数据；

其中，所述票房数据预测模型为根据已知首映日票房数据的历史影片训练得到。

7.根据权利要求6所述的装置，其特征在于，还包括：

第一想看数据聚合模块，用于根据所述历史影片的用户画像数据和用户想看数据进行数据聚合，得到所述历史影片的人群集合想看数据；

预测模型训练模块，用于基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息和首映日票房数据，训练所述票房数据预测模型。

8.根据权利要求6或7所述的装置，其特征在于，所述票房数据预测模型为神经网络模型和线性模型的集成。

9.根据权利要求8所述的装置，其特征在于，所述预测模型训练模块，包括：

第一特征向量构建子模块，用于基于所述历史影片的人群集合想看数据，以及所述历史影片的影片基本信息，构建所述历史影片的数据特征向量；

线性模型训练子模块，用于以所述历史影片的数据特征向量作为所述线性模型的输入，以所述历史影片的首映日票房数据作为所述线性模型的输出，训练所述线性模型，得到所述线性模型的权重向量；

神经网络模型训练子模块，用于将所述权重向量与所述历史影片的数据特征向量合并，并以合并后的向量作为所述神经网络模型的输入，以所述历史影片的首映日票房数据作为所述神经网络模型的输出，训练所述神经网络模型。

10.根据权利要求9所述的装置，其特征在于，所述首映日票房获取模块，包括：

第二想看数据聚合子模块，用于根据所述目标影片的用户画像数据和用户想看数据进行数据聚合，得到所述目标影片的人群集合想看数据；

第二特征向量构建子模块，用于基于所述目标影片的人群集合想看数据，以及所述目标影片的影片基本信息，构建所述目标影片的数据特征向量；

首映日票房获取子模块，用于将所述权重向量与所述目标影片的数据特征向量合并，并将合并后的向量输入所述神经网络模型，得到所述目标影片的首映日票房数据。