智客公社

标题: 直播节目信息流对观众感知质量的影响#北大图灵班#AI [打印本页]

作者: ibmsumsang 时间: 2021-6-29 17:28
标题: 直播节目信息流对观众感知质量的影响#北大图灵班#AI
随着网络和社会的发展，直播节目（游戏比赛、体育赛事和综艺选秀等）遭到越来越多的关注，由此我们产生了一个这样的想法：什么样的直播节目能吸引观众并令人印象深入？又是什么样的要素导致其给人留下深入影响？由此引发了研讨者们对信息流是如何影响观众感知质量的研讨。

为了量化信息流和观众感知质量之间的关系，作者对观看世界上最大的电竞赛事之一的LOL S10停止了受试者实验研讨，除了引出信息流，该研讨还要求受试者报告他们对每场比赛的评价。经过实验研讨发现，比赛后半段的令人印象深入的场面在预测评级方面起着主导作用。这表明，在感知质量模型中，除了令人印象深入的场面数量外，还必须归入这些场面发生的工夫，这在现有的文献中是缺失的。对于内容提供商来说，这意味着在其他条件相反的状况下，转机更有能够发生在节目的最后，而不是在整个节目中平均地发生。

本期AI TIME PhD直播间，我们有幸约请到了该论文的作者，来自北京大学图灵班的许晟伟和黄致焕为大家分享这项风趣的研讨工作！
许晟伟，北京大学图灵班四年级本科生，导师为孔雨晴教师，研讨兴味：计算经济学、人机交互、机器学习等。
黄致焕，北京大学图灵班四年级本科生，导师为孔雨晴教师，研讨兴味：计算经济学、算法博弈论、实际计算机等；热爱算法竞赛，曾获The 2017 ACM-ICPC Asia Nanning Regional Contest冠军，中国大先生程序设计竞赛（CCPC-2020）长春站亚军等。

一、想法的来源

一个直播节目的文娱效果是从节目内容带给观众的“不测”来表现的，对令人印象深入的比赛而言，比赛当中往往会有一些反转和“不测”发生。例如，在NBA比赛中，我们会对麦迪在33秒拿到13分这样的场面印象深入；而一些平平无奇，没有波涛，甚至在刚公布比赛选手的时分就曾经毫无悬念的比赛，观众对这种比赛就没有那么深入的印象。所以我们就以为，文娱效果是从节目内容的“不测”程度上表现的。本研讨中作者采用信息流来描画这种节目中的“不测”场面。

1.1 什么是信息流？

观众在观看直播节目时是线性的获取信息的，即，随着工夫的推移，观众不断地获得事情、线索等等。直播节目的信息流描写的是观众对节目结果的信心的变化。例如，在红蓝两队的对抗赛中，观众对于红方最终获胜概率的信心是实时变化的，信息流衡量的就是在一场比赛的持续工夫内，观众对谁会赢的信心。同时，作者采用信息流的波动来描画“不测”的概念。

所以作者想探求什么时分以及怎样释放信息来制造“不测”可以带来更高的文娱效应。

1.2 研讨成绩

（1）建立了搜集直播节目实时信息流的系统；
（2）调查“不测”值的总量和释放“不测”值的工夫对于观众感知质量的影响；
（3）建立实时信息流和观众感知质量之间的关系；

二、研讨方法

2.1 实验框架

观众在观看实时对抗型的比赛，照旧以LOL比赛为例，首先在比赛前要搜集观众对比赛单方队伍的偏好状况（支持蓝方还是红方或者持中立态度）；在比赛过程中，搜集观众对蓝方获胜概率的实时信心。搜集方法如下：观众在T0时辰先去报告本人的先验信心，随着工夫的变化，观众可以经过实验平台实时修正信心，这样我们可以得到信心曲线。在比赛结束后，请观众对刚刚结束的比赛停止打分（1分到9分）。最后，奖励观众一定金额的实验参与报酬，同时激励观众说出他们内心的真实想法。

(, 下载次数: 876)

图1. 实验框架

2.1.1 核心：信心曲线

(, 下载次数: 862)

图2. 信心曲线

上图中的信心曲线是指在工夫[0,1]的范围内，蓝方胜率的阶梯函数。当观众修正信心时，该函数会发生渐变，上图是观众在比赛过程中共修正了5次信心得到的信心曲线。

根据信心曲线（Pgs(t)）和比赛结果（Og）计算出integrated quagratic score，进而付给观众实验报酬。计算公式如下：

(, 下载次数: 834)

该函数可以保证在观众实时汇报本人的真实想法时，该公式可以得到一个最高的希冀收益，该方法可以激励观众说出真实想法。

最后，为了控制每一场比赛所做实验总共花费的金额，所以我们对上述公式做线性变换，从而在观众总数不分歧的前提状况下，保证我们每一场的费用是不变的。

(, 下载次数: 787)

2.2 中位数信心曲线

中位数信心曲线代表每个时辰一切观众的信心的中位数的函数。如下图4黄色、蓝色和绿色分别代表3个不同观众的信心曲线，灰色曲线代表观众的中位数信心曲线。其特征与信心曲线相反，都是阶梯函数且会在有限地位处发生渐变。

(, 下载次数: 847)

图3. 中位数曲线

2.3 量化“不测”值

中位数曲线每次渐变的相对值求和即为“不测”的总和。

(, 下载次数: 890)

图4. “不测”值的量化方法

2.4 建立平台

信息流实验平台功能包括：
（1）搜集受试者的实时信心和赛后评分；
（2）该平台可以允许受试者可以为所欲为地更新他们对比赛结果的预测；
（3）该平台可以追踪每个受试者的一切更新历史（更新的工夫和值）；
（4）在比赛过程中自动的发放留意力测试，使得观众可以集中精神在测试上，从而保证问卷的质量；
（5）设置众包机制，经过观众的作答，从而计算出比赛末尾和结束的工夫。

(, 下载次数: 806)

(, 下载次数: 772)

(, 下载次数: 828)

图5. 实验平台

三、实验结果

节目的“不测”值越高，节目的结尾越迂回，可以带来观众更高的文娱效应。如下图6分别是LOL S10中某三场比赛搜集到的观众实时的信心曲线。图6（a）代表具有很大“不测”值的一场比赛，从图中可以看到，这场比赛的胜率是有很大波动的。图6（b）代表一场平平无奇的比赛，胜率的波动非常小。图6（c）代表的比赛的“不测”值较大，但比赛的结尾却是平平无奇的。所以观众对这三场比赛的评分是（a）>（b）>（c）。

(, 下载次数: 835)

图6. 观众观看比赛的实时信心曲线

每个数据点代表一场比赛，横坐标是每场比赛的总“不测”值，纵坐标是观众的打分，从图7中可以看出，rating和surprise之间是正相关的关系，但数据点之间的偏离还是比较高的，所以还有其他要素在影响rating。

(, 下载次数: 860)

图7. 回归分析

经过后面的分析结果我们可以看出，比赛的后半部分的影响更大，所以将其分成了前半部分和后半部分分别停止分析。左图描画了前半场比赛中两个变量之间的关系，从图中可以看出，比赛前半场rating和surprise之间存在负相关的关系，但这种负相关关系并没有显现出来，这阐明比赛前半场的surprise和这场比赛的rating几乎没有关系。右图描画了后半场比赛两个变量之间的关系，从图中可以看出，其正相关性更为分明，所以我们以为后半场比赛更能影响观众对这场比赛的打分。

除此之外，观众对队伍的偏好也会分明影响打分。而且观众的特殊性也会对其打分有影响，例如，观众的国籍等。比赛成功会分明提高观众的打分，但比赛失败并不会分明降低观众的打分。

(, 下载次数: 830)

图8. 按工夫分析rating和surprise之间的相关性

四、研讨总结

（1）在节目后半部分释放的“不测”会对观众的体验有更激烈的影响。
（2）对节目来说，高度的surprise是很重要的，但其释放工夫应该被仔细思索。
（3）开发了一个基于信息流的工作平台，可将其运用于更多的节目测试。

五、展望

（1）完善信息流和观众感知质量关系的实际；
（2）对信息的释放策略停止指点，例如：主播等行业；
（3）搜集更多有用的信息，如弹幕等；
（4）经过用户的预测行为曲线来检测用户的专业性。

作者: hifi007 时间: 2021-6-29 22:51
啥玩应呀

作者: 足尖上的幸福 时间: 2021-6-30 22:40
佩服佩服！

作者: 我似小纯洁 时间: 2021-7-1 13:50
我有一个大胆的想法。。。

欢迎光临智客公社 (https://bbs.cnaiplus.com/)