一种基于动态多样化模型的传统电视台收视率预测方法技术

新媒体快速发展，人们在新旧媒体的收视行为充满不确定性，使得预测传统电视台的收视率难度极大。由此引发的媒体市场发展问题不可小觑。本发明专利技术提出了一种考虑动态更新和遗忘效应的传统电视台的收视率预测方法，以满足日益变动的收视预测需求。由于用户在选择和观看电视节目时呈现既学习又遗忘的行为特征，本发明专利技术构建一个两阶段动态更新结构模型。其第一阶段是构建贝叶斯动态更新的用户学习过程问题，第二阶段是考虑遗忘特性的指数函数噪声选择问题。为了求解该模型，本发明专利技术构建库恩

【技术实现步骤摘要】
一种基于动态多样化模型的传统电视台收视率预测方法

：
[0001]本专利技术提出了一种基于动态多样化模型的传统电视台收视率的预测方法，属于营销


技术介绍
：
[0002]尽管媒体类型大幅增加，电视仍然占据了广告支出的绝大部分。广告的收视情况取决于电视收视率，准确理解和预测电视收视率有助于准确预测广告的曝光率。对广告商来说，广告价格取决于该广告所插播节目的收视率。当一家公司的广告预算有限时，电视收视率的预测结果即作为选择合适节目的依据。从电视台的角度来看，了解消费者的偏好和准确的收视率预测，有助于其在越来越多的电视台和频道中，提高和保持自身竞争力。因此，准确和可信的收视率预测对广告商和电视台都至关重要。消费者收视行为研究可为广告商和电视台的收视预测以及理解消费者行为提供多种可靠信息。
[0003]现有文献集中在从横截面的视角，研究消费者观看行为的影响因素及其与收视率的关系，无法从行为分析的角度来回答节目的情节性是如何一集一集影响节目选择的。少数考虑先前收视信息的研究只是在数量上使用先前的收视信息，将其作为一个协变量加到模型中。这些研究有一个共同点，就是不考虑动态情况下的单选择问题。事实上，观众会把他们有限的时间分配给多种活动来最大化总效用。此外，消费者观看电视剧集的过程伴有学习行为，该行为类似于公司通过收集客户信息了解客户购物偏好，或者客户通过重复购买来获得更多新产品的信息，从而了解产品性能。电视节目多集、多季的特点有助于观众形成节目偏好和收视习惯，进而影响观众进行节目选择。先前大多数收视行为的研究往往忽略了收视行为中的学习行为，反而集中在整体收视率和其他汇总统计上，且不研究收视率是如何生成的。
[0004]本专利技术开创性的提出了一个动态模型，该模型从定量动态和定性动态两个方面模拟收视行为，并考虑Mehta等提出的遗忘效应。定量动态模拟是把先前收视时长的加权之和，定性动态模拟是模拟消费者对电视节目的质量评估，并跟随收视行为更新变化。此外，本专利技术的模型也解决了对一个人在特定时间段内多节目/活动的选择模拟问题。一个人可以选择一个以上的电视节目和/或活动，并分配不同量的时间给它们以使总效用最大。利用Kim等人和Bhat提出的关于选择多样化模型来研究特定的时间段内对不同节目和活动的选择问题。该模型为“收视多样化动态模型”(DMPA)。
[0005]本专利技术首次尝试在消费者收视行为的研究中构建定量动态和定性动态模型，聚焦观众在学习行为和遗忘行为这两种互动行为影响下的动态决策过程。学习行为是使用信息更新评估的质量，同时忘记干扰信息的使用。采用贝叶斯理论对观看行为的纵向探索构建动态决策模型。为了验证所构建模型的应用能力，本专利技术使用了香港TVB的人员测量仪数据。该数据集包含了香港650户家庭精确到分钟的动态收视信息。这个收看数据被用作收视多样化动态模型的输入，该模型估计了若干个动态收看模型。此外，本专利技术还选择了一个包含203位观众的样本，观察他们在2009年1月5日至2009年2月6日每个晚上固定时间段内的
收视行为。根据估计结果，模型能够衡量学习行为和遗忘行为，并评估电视节目质量和准确预测节目收视率，为广告商和电视台提供管理建议。

技术实现思路
：
[0006]技术问题：本专利技术要解决在收视行为不确定性的条件下，如何准确模拟消费者在动态更新和遗忘效应影响下的媒体收视行为，从而更加准确的预测传统电视台的收视率。
[0007]技术方案：本专利技术旨在提出一种考虑动态更新和遗忘效应的媒体收视预测方法，该问题被表述为一个两阶段动态更新结构模型。其第一阶段是构建贝叶斯动态更新的用户学习过程问题，第二阶段是考虑遗忘特性的指数函数噪声选择问题。为了求解该模型，本专利技术构建库恩
‑
塔克条件函数，采用贝叶斯后验分布算法和极大似然函数求解法。实证研究表明该方法能够较为准确的预测不确定性干扰下的收视率，也为电视台和广告商的预算编制提供参考。本专利技术的技术方案包括以下步骤：
[0008]1.建模方式
[0009]1.1观众对节目质量的学习
[0010]当观众看完一集电视剧后他/她会对电视剧质量做评估，这会影响他/她下次的节目选择和观看时长。由于嘈杂的信号，观众对电视剧的真实质量的评估有差异。在观看了每集以后，观众接收到关于戏剧的信息增加了。因此，他/她对该电视剧质量的评估的差异会变小。这是一个遵循贝叶斯理论的动态学习过程。
[0011]通过假设观众对电视剧的质量不完全了解，也就是说他们不确定戏剧的真实质量。用A表示戏剧的真实质量，ω
it
表示误差项。观众在观看一集后获得的“有经验”的质量可以表示如下：
[0012]A
Eit
＝A+ω
it
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0013]公式(1)表明，观众获得的经验质量在电视剧的真实质量附近波动。这种差异可能有两个原因。一个是不同的观众由于具有不同的年龄、性别、背景等有不同的偏好。另一个是观众对电视剧拥有不完善的信息。
[0014]为了构建贝叶斯更新理论，我们假设误差项ω
it
服从正太分布：是指经验方差，D
it
是第i个人在第t集的观看时间。假设是D
it
的递减函数，观看越长时间，方差越小。为了构建一个简单的模型，我们建立等式
[0015]在t时刻观看电视剧之前，观众已经根据截至时间t
‑
1获得的信息对戏剧质量进行了事先评估。我们将I
i
(t
‑
1)设置为第i个观众直到t
‑
1时刻的观看经验所获得的信息集。A
it
|I
i
(t
‑
1)是指在时间t观看经验之前对目标点数据真实质量的预估。这个预估服从下面的正太分布：正太分布：E
i，t
‑1(A)是真实质量预估的平均水平，表示估计的不确定性。
[0016]当t＝1时，这意味着观众i以前从未观看过这部戏剧，I
i
(t
‑
1)＝I
i
(0)表明观众i没有经验信息。所以预估可以被改写为：这个公式表明当观众一集电视剧也没看时，观众对质量A的先验评估是正太分布的。E0是预估的平均值，由于以下两个原因，在观众之间设定相同：1)观众对频道播放的电视剧的质量有总体印象；2)假定在每个电视剧的前一集播放之前，观众没有其中任何一个的附加信息。
[0017]观众的学习行为可以这样解释：在时刻t观看体验后，观看者将使用这种观看体验
更新他/她对戏剧质量的评价，A
Eit
被认为是新增加的信息。A
it
|I
i
(t
‑
1)是观众i对剧集的真实质量的预估。根据贝叶斯定理，观众i可以根据先验信息和附加信息形成该剧的真实质量的后验评估。既然预估(A
it
|I
i
(t
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.本发明提出了一种考虑动态更新和遗忘效应的传统电视台收视率预测方法，该方法包括以下技术特征：(1)将其表示为一个两阶段模型，第一阶段针对动态学习特性，第二阶段针对动态遗忘特性；(2)模型的构架上分为基础效用部分和时间分配部分，基础效用部分在反映用户动态学习行为中起着主要作用、时间分配部分包含了满足效应和包括角落(未选定的选项)和内部(选定的选项)解决方案的属性；(3)开发了两个技术变量：动态均值和风险误差，衡量第一阶段的动态学习的定量和定性过程，定量动态外生地构建了一个连接先前决策和当前选择的关系，...

【专利技术属性】
技术研发人员：宋连莲，张秋香，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：