电影数据新玩法：主创分析
数据科学在电影行业有哪些新鲜玩法：之二
Cinelytic：多维度主创评分系统
Cinelytic1是一个新晋的使用人工智能技术推动电影项目决策的数据平台。不久之前，他们刚刚与华纳兄弟影业签约，成为这家好莱坞巨头的数据支持平台。Cinelytics提供的服务涉及团队配置分析，实时票房统计，各渠道的收益预测，财务模型预测等。它的核心理念是在不干扰内容创作的前提下，为电影项目的资源配置和市场决策提供支持。有人会好奇难道这样的分析制片厂不能自己做吗？Cinelytic的解释是：一，专业的数据科学团队可以高效构建复杂的算法模型，并支持实时数据流的分析。 二，电影市场分析绕不开受众研究。对于受众分析来说，用户行为数据才是最宝贵的财富。然而在电影领域，除了少数流媒体平台（Netflix， Amazon）掌握大量用户行为数据之外，传统制片厂很难建立这样的数据储备。Cinelytic应对这一问题的策略是积累P2P用户下载数据，建立自己独家的数据集。以此与其他数据来源相结合进行受众分析。
具体到团队配置分析，Cinelytic打造了一个TalentScores评分系统。这个系统基于备选者以往的电影预算、票房以及社交网络指标进行回溯性分析。进而，对电影团队的核心成员（导演、演员、制片人、编剧）进行评分与排名。在TalentScores系统上，你除了能看到某个演员的综合评分，还能从媒介平台、类型、地区等多个维度了解具体指标。作为一个数年的电影行业从业者，我深知好的团队是电影项目成功的基石。但这又恰恰是很难量化的一个指征。类似TalentScores这样的系统对核心成员的影响力进行评估，可以说是为衡量电影项目的商业潜力提供了一个有力的工具。
主创合作网络分析
除了通过特定指标对主创价值进行量化之外，还有学者(Packard et al., 2016)通过网络关系来探究主创的影响力。这项研究对针对1999-2004六年间在美国上映的2110部电影，将其主要演员和创作人员置于合作网络图中进行分析。研究中主要围绕两个核心指标展开：一是Positional Embeddedness(简称PE，通过计算eigenvector centrality获得), 即一个人在网络中所处的位置， 他在多大程度上与网络中的其他人相连。二是Junctional Embeddedness(简称JE，通过计算betweenness centrality获得), 即一个人与其他子群体相连的程度。这项研究有几点有趣的发现：第一，高PE值对演员更重要。高PE值通常能带来更多公众曝光的机会，进而有益于电影的宣传。第二，高JE值対创作人员更重要。高JE值意味着创作者有机会接触更多元更有独特性的知识，技巧和资源，进而对于电影创作和创新有帮助。合作网络研究对探索主创成员的价值提供了一个新颖的思路。虽然这项研究并没有针对主创成员的网络特征与电影的商业价值直接建立模型，但研究中所讨论的主创网络特征对下一步研究有较大的启发意义。这将有可能成为进一步机器学习建模的重要特征。
词汇嵌入技术研究演员人设
在自然语言处理领域中，词汇嵌入技术是一种常用的文本表示方式。这一方法将一个个词汇映射为高维空间中的稠密向量。进而，我们可以通过向量的距离计算来衡量词汇的相似度。有研究者(Kim et al., 2019)将这一技术应用到演员模型的构建上。具体来讲，他们针对演员特征，电影特征，角色特征，类型，电影剧情关键词，放入到基于高斯分布的词汇嵌入模型中。这一模型的价值可以延伸到两个方面：一是选角预测。通过将演员特征向量化，我们可以计算演员之间的相似性。如果你需要为某部电影的某个角色无色演员，这个模型可以向你推荐出演过接近角色的演员。二是可塑性排名。在众多演员中，这个模型可以帮你筛选出角色跨度最大，角色塑造能力最强的实力派。电影理论中通常认为，演员在大众心目中的形象实际并不是演员本人，而是通过以往角色以及各种媒体手段塑造出来的一个人设。可以说，这个模型是在演员和他塑造的人设之间找到了一种量化关系。在当今的媒介环境中，社交媒体在演员人设塑造的过程中也起到了不可忽视的作用。在这个研究基础之上，我们或许可以将演员在社交媒体上的关键特征纳入进来，更加全面地衡量演员在大众心目中的形象。
Notes
1 Cinelytic. Retrieved October 28, 2020, from https://www.cinelytic.com/ ↩
References
Kim, H., Katerenchuk, D., Billet, D., Huan, J., Park, H., & Li, B. (2019). Understanding Actors and Evaluating Personae with Gaussian Embeddings. Proceedings of the AAAI Conference on Artificial Intelligence, 33(01), 6570–6577. https://doi.org/10.1609/aaai.v33i01.33016570
Packard, G., Aribarg, A., Eliashberg, J., & Foutz, N. Z. (2016). The role of network embeddedness in film success. International Journal of Research in Marketing, 33(2), 328–342. https://doi.org/10.1016/j.ijresmar.2015.06.007
