新媒体时代影视剧的数据化推荐探究.doc

新媒体时代影视剧的数据化推荐探究.doc新媒体时代影视剧的数据化推荐探究如今,fl ix 为代表的新兴互联网视频平台正迅速崛起, 其最大的特色就是个性化推荐系统, 是通过数据挖掘技术为每位用户量身打造符合自身偏好的视频服务。然而, 对于观众来说, 相比于通过传统媒介观看影视剧的感受, 在数据挖掘下的视频服务是一种人们既熟悉又陌生的过程。一、对话机制的转变:从类型默契到数据标签影视剧是现代工业社会产生的艺术,它的创作采用了工业化生产的组织方式, 为了维系生产与消费的循环, 影视剧与观众之间建立起了一种对话机制, 这就是影视剧类型。早在电影发展初期, 电影制作者就逐渐发现, 在电影的制作和放映的实践过程中, 女性往往偏爱爱情片的情感缠绵, 男性则偏重战争片的枪林弹雨, 不同群体对于电影的需求显然不尽相同, 由此很快形成了西部片、喜剧片、音乐片等带有鲜明类型风格的早期电影。这些电影均按照某一类型, 将人物形象、主题对象、叙事结构、社会观念以程式化的形式展现出来,能够有效地激发电影观众某一方面的情感宣泄, 并在创作和欣赏中形成再生产循环。之后的美国电视剧制作也是遵循了这一规律,比如,肥皂剧就是针对白天在家的家庭主妇而形成的一种电视剧类型, 将家长里短的琐碎故事演绎到极致,成为家庭主妇打发无聊时光的首选。不难看出, 类型是影视剧制作者和观众之间相互沟通的介质, 是他们不断共同参与、相互作用下形成的形态, 制作者依据类型把握各式艺术元素在影视作品中的心理架构,而观众也会根据影视作品的类型,判断其中的类型元素是否符合自身的心理需求, 从而在制作者和观众之间建立起了一种共同认知的默契关系。影视剧类型就如同一个中介标签,连接着制作者和观众的内心,然而,这一类型机制却并不稳定。在制作影视剧的过程中, 如果某一类型的影视剧从视觉、心理以及社会文化上建立起相对成熟的表达模式的时候, 也就是生产流水线式的固化复制致使观众厌倦的开始, 制作者需要寻求变化才能满足观众的新鲜感, 这种变化既可以是各种类型元素在原有的基础上尝试新的组合, 也可以尝试适度采纳和补充一些新的类型元素和形式。与此同时, 社会文化层面的价值表达和审美取向的变化又使得影视剧必须导向现实层面, 为社会实践服务, 不断展示和思考新环境中具有普遍启示意义的人生状态和社会生态。然而, 尽管类型元素的不断杂糅和社会文化的持续浸润已经使得影视剧的制作生产更加趋于多元和丰富,但是观众在影视剧类型的选择上除了寻求新鲜快感和文化共鸣之外,还很大程度上受到个人情绪因素的影响。这使得影视剧类型承受着来自生产与消费两个层面共时性与历时性的双重挤压, 且始终处于持续动态变化之中,无法实时实现生产与消费的精准契合。更多的时候,制作者与观众彼此揣度着各自的心意, 在模糊与微妙中共同维系和诠释着影视剧生产与消费共同区域的相对平衡。在这个互联网高速发展的时期,特别是在移动互联网环境下媒介的全面融合,使制作者和观众之间微妙的类型认知平衡被打破了。观众迎来了一个信息过剩的时代, 海量的影视作品正从传统的播出平台被搬运到互联网上, 观众的确可以随时随地地自由享受这无限的资源, 但是当观众面对如此巨大体量的影视作品的时候, 迷茫往往大于兴奋, 他们曾经所熟悉的通过类型判断决定是否观影的方式正使得他们变得无助, 因为心理默契式的类型选择是有限资源下“可以看什么”的被动选择, 而在面对海量影视资源的时候, 无限的资源选择激发着观众无限选择的欲望, 却并不能有效帮助观众实现他们“最想看什么”的判断。推荐系统正是基于互联网海量信息的一个有效工具,是“把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配, 同时使用相应的推荐算法进行计算筛选,找到用户可能感兴趣的推荐对象, 然后推荐给用户”。亚马逊最早使用这一方式向读者推荐书籍,通过归纳购买同一本书的读者购买记录, 将读者甲买的相近书籍推荐给读者乙, 从而改变了之前主要以书评参考推荐书籍的方式。尽管推荐系统的算法在不断改进, flix 还拿出 100 万美元奖励将它的推荐算法提升超过 10% 的团队。用户与推荐对象的匹配过程就是一个数据化的过程,这其中可以同时运行多种数据算法, 甚至可达十几种。通过一系列的数据挖掘和计算, 将用户信息、推荐内容、信息采集方式、数据分析等各环节的一般与特殊的情况进行归纳, 达成相对精准的定位。尽管有这么多种数据计算方法配合推荐, 但是用户端和推荐对象端又该以什么形式实施建构,以匹配数据挖掘的方式呢? 答案是数据化,并且首要是推荐对象的数据化。一般而言, 无论是电影还是电视剧, 它们任何一部的信息量都是非常巨大的, 这既包括剧情、演职人员以及获奖或收视的基本信息, 也涵盖了情节、场景、人物等多种元素的影视剧结构信息。从基本信息中,数据挖掘可以判断观众的兴趣、偏好的范围, 而结构信息可以细致地体察