電影評分模型
A. 電影票房統計問題用到什麼數學模型問題
精準復預測單片票房對整制個電影產業顯得日趨重要，不斷逼近真實就成為大數據技術應用的終極目標。
國內的票房預測主要考察影片的市場營銷表現和質量內容表現兩方面因素。數據收集包括互聯網和影片本身的量化數據兩個來源。利用行業知識找到影響電影票房的因素，利用數據挖掘技術驗證每項指標的可靠性，基於可靠的指標數據，建立票房預測的數學模型，對票房進行預測。
B. 次時代模型和電影級模型的區別在哪裡
先更正一個理解上的誤區，次時代是一種技術，可以將電影級模型的效果用內低模來表現出來；電影級模型的容效果通常都是中高模，現在多數也用到次世代技術了。可以到「創意方舟」了解一下，www.cacg.cc
C. 影視模型
影視模型製作是指影視模型製作師根據影視原畫設計師給的原畫稿件製作出影專視劇中的人物、動物、怪屬物、道具、機械、環境等物體的模型。一般現實中不存在的虛擬生物或者星球需要影視模型師製作虛擬的模型，再通過特效技術的運用合成到影視劇中，一些拍攝成本比較高，或者真實演員無法完成的鏡頭，也會用到此類技術。影視行業這些年發展的越來越紅火，每天幾百部影視劇投入拍攝，這就造成了影視後期製作人才大量的緊缺，眾所周知，近幾年國內電影也玩起了3D技術，這就需要大量的影視模型製作師，而電視劇中對特效應用的需求也增多，所以影視模型製作人才已經成了稀缺人才，而且隨著行業的飛速發展，緊缺的現象也越發的明顯，當然這也說明這個崗位是很有發展前景的，學影視模型製作不止有前途也有錢途。
D. 學IT的，寫了一個電影推薦系統，但是為什麼評分預測值大於五
全文以「預測電影評分」例子展開
r(i,j)=0則表明user_j沒有對movie_i 沒有評分，
推薦系統要做的就是通過預測user_j對這些movie {i|r(i,j)=0}的評分來給user_j 推薦其可能會喜歡的電影<預測評分較高的movie>
=======================================二、基於內容的推薦=======================================
對每個movie_i引入特徵x(i)=(x1, x2)，這種特徵可能表明user對movie類型的偏好：浪漫or動作等
對於每個user引入一個參數theta，然後對評分矩陣的每列(對應一個user)做線性回歸，數據是{ (x(i), y(i,j)) |r(i,j)=1，for some j all i}
像機器學習一樣，x(i)添加個1變數x(i)=(1, x1, x2)
那麼對於未評分的movie_t，我們可以使用線性回歸訓練的參數theta與對應特徵x(t)做內積來得到其預測評分
對每個用戶都訓練一個參數theta_j，優化模型如下：
優化演算法：注意正則項是不約束x(i)=(1, x1, x2)中1對應的參數theta的第一項theta0，所以k=0與k=1,2分別對待
=======================================三、協同過濾=======================================
現在換個角度：如果知道theta for all user j，如何來預測x(i) = (x1, x2) all i
仍然可以使用線性回歸，為訓練每個x(i)，需要評分矩陣的第i行數據{ (x(i), y(i,j)) |r(i,j)=1，for some i all j}
theta_j = (0, theta1, theta2) ；theta1=5說明user_j喜歡romance類movie， theta2=5說明user_j喜歡action類movie，只能有一個等於5哦，
我覺得也可以是：theta_j = (0, 4, 1) ；喜歡romance 4 action 1.
對應的優化：
協同過濾：交替優化theta與x
=========================================四、協同過濾演算法=======================================
優化：
優化：注意去掉了theta和x的添加項
=========================================五、實現細節補充=======================================
實現細節：
如果有user沒有對任何電影評分或者所有評分的電影都是0分，那麼所學習到的參數是零向量，
則預測都是0值，這是不合理的。通過 將評分矩陣減去其行均值再進行線性回歸來「避免」這種情況
=========================================六、一點思考==========================================
協同過濾那塊，同時優化theta、x，這樣得到的theta、x還有特定的意義<比如：x是否還表徵對影視類型的喜愛與否>沒有？
回歸中，在x數據上不添加1-feature是不是因為後來引入的平均值化；如果不是，那會對結果有什麼影響？
用x-feature來表徵一個movie，x-feature的各分量的可解釋性；應該會有一部分user應為演員的緣故有一些"偏愛"。
這里，講的"基於內容的推薦"與"協同過濾"跟以前對這兩個詞的認識/所指內容不同，查清楚、搞明白。
這周還會再更一篇關於此節課的演算法實現，會對上述部分問題做出回答。
E. 電影里的人物模型可以分為四類的理論
恩？
F. 電影票房分析及預測
先從至關重要的4大類開始說起：
一：是不是有一個好劇本
評判一部電影劇本的好壞，主要從三點出發：
1.話題性2.社交性3 .IP屬性
目前中國市場的動作片和喜劇片占據主導地位，近段時間以來也有掃毒等系列影片《紅海行動》《破冰行動》《掃毒》以及勵志軍事題材電影發揮出來穩定的票房優勢，另外科幻題材系列目前是兩極化，票房要麼非常的高，要麼非常低，所以對於投資者來說。選擇還是需要慎重！
二：宣發
強有力宣發公司和發行公司是一部電影票房的基本保障。就市場來說博納，光纖，貓眼，華誼等發行公司，資源比較足，對電影票房有很大的提升能力
三：主創團隊
決定著電影的質量以及保障的就是電影的幕後團隊，從服裝，製作，燈光，導演，攝影等出發去評判這部電影的根基。電影的質量直接影響到後續口碑的發展。
四：演員
對應的劇本有相應的演藝能力是一部電影最基本的需求：
1.不能從軍事專業度演員來演一部喜劇專業度的影片
2.目前的觀眾更傾向一部電影的口碑，而不是這部電影是不是由一名沒有演技的小鮮肉來演
3.老戲骨對電影的質量有更強的要求
五：另外根據這部電影的項目書我還總結了其它可以側面評判的標准
1.根據影片項目書的對標作品來預測
3.根據影片的明星陣容，題材（愛情，喜劇，軍事，警匪，勵志），取景來預測
4.根據影片的演員之前演過的同類型影片比較，比如《數字奇譚》可以按照《人間喜劇》預測
5.根據影片檔期預測，《平凡老爸》對應明年父親節，《90雄兵》檔期國慶70周年。還有春節檔，元旦檔等等，節假日更利於票房的發展
6.根據演員粉絲預測，前期的號召必不可少
7.根據前期的市場口碑，影片的說明會，發布會參加人數。輿論程度預測等等
我們選擇電影投資，最重要的是看這部電影的票房成績如何！值不值得我們去投資。所以預測票房成為我們必須要去做的一步，雖然有的朋友不能從專業的角度出發去預測電影的票房成績，但是在這篇文章下，對票房預測可能會有一些初步的認知，希望對你有幫助
G. 盧卡斯的電影有哪些獨特的地方讓他的電影評分非常的高
在我個人看來，你只要知道盧卡斯電影有限公司的由來，就知道為什麼了。
怎麼樣？如果你喜歡我的回答歡迎給我留言點贊哦~
H. 如何評價電影票房預測模型的發展和建設瓶頸
從我們的分析與實際操作來看，實際上對電影票房預測模型的發展與建設造成最大阻礙的在於數據的不真實性、指標的選擇可用性以及一些違規暗箱操作上；還有譬如電影市場的發展速度太快，去往的歷史數據可參考性低，模型得跟著市場的變化而變化等這些方面，在我們建模時造成了極大的阻礙。而基於我們的電影票房預測模型，我們的預測有相當的准確性與可信度。從2015年7月到現在我們每天都會公布我們的票房預測結果，在於競爭對手的比拼與較量中始終保持領先地位，准確率一直保持全國第一。而我想，如果當數據、指標、操作開始正規化明朗化，電影票房的預測模型也將越做越好，越做越准。
I. 有沒有評價電影訂票系統的數學建模
只能給出一下思路參考： 如果是我做這個建模的話，應該從所有數據中探索出是否有回同統計意義上的顯著答特徵，其次應用這些特徵簡歷logistic回歸模型或者決策樹模型，或者就是分群； 再或者就是一個簡單的，行為分析；量化描述欺詐行為；。