電影評分系統解決方法

Ⅰ 優酷 上的電影評分是根據什麼來的觀眾也能打分嗎

優酷視頻採用的是站內評分和站外引用並行的雙評分系統，站內是由優酷評分而非用戶，站外則引用豆瓣數據，觀眾不能打分。和騰訊視頻一樣，由於優酷引用的豆瓣數據——評分和影評——僅被放置於視頻播放頁，不影響影片排序，也非用戶觀看行為的「觸發器」。

優酷是由古永鏘於2006年6月21日創立並正式上線。優酷現為阿里巴巴文化娛樂集團大優酷事業群下的視頻平台。

(1)電影評分系統解決方法擴展閱讀：

通常，影片評分的數據來源無外乎兩種，一種站內評分，一種站外引用。站內不消說，站外可引用一些電影資料庫，常見的有IMDb，爛蕃茄，國內如豆瓣電影，時光網等也相對比較權威。

國內的主流視頻門戶，早期多採用前者，頂踩挖埋及用戶成長體系，也都是圍繞站內機制來篩選優質內容。而站外引用評分數據，目的當然也是篩選優質內容，優化用戶選片體驗。

主流視頻門戶的影片評分功能，排名不分先後：

1、騰訊視頻：站內（騰訊）評分，同時引用豆瓣數據；

2、搜狐視頻：站內（用戶）評分，同時引用IMDb數據；

3、優酷視頻：站內（優酷）評分，同時引用豆瓣數據；

4、樂視網：站內（用戶）評分；

5、愛奇藝，站內（用戶）評分。

Ⅱ 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。

Ⅲ 誰知道豆瓣網電影評分系統是怎樣生成的

有專門的人的。

Ⅳ 電影評分真的會影響大眾嗎

研究發現，無論是對看過的電影重新打分，還是對新看的電影進行打分，用戶都會明顯受到之前看到的評分的影響。當看到低評分電影時，用戶傾向於給低分；當看到的高評分時，用戶傾向於給高分。尤其值得注意的是，對於同一部電影來說，如果用戶看到的評分是被故意調低了的，他對這部電影的評價會比看到正常評分時要低。盡管故意調高的評分也會帶來更高的用戶打分，但故意調低造成的低評分的意願和廣泛程度都比調高時要更強烈。這也許就是為什麼電影製作方不願意看到低評分的原因：它會造成坍塌式的連帶效應，所謂好事不出門，壞事傳千里。
除了打分外，打分頁面的影評也會影響其他潛在的觀影者。Tsang（2009）等研究者在對香港影評的研究中發現，影評會深刻影響人們的觀影傾向，這種影響程度比打分還要厲害。影評和打分還會相互作用：如果兩者都是正或負，其結果顯而易見；如果兩者相反，尤其是一個評分很高的電影下面都是負面的影評，觀影者可能會放棄對這個評價體系的信任。
由此可知，無論是評分系統，還是頁面上的影評，都會潛在地影響人們對影片的判斷。可以理解為，最近三大國產影片在豆瓣上的低評分，會使得其他的吃瓜群眾先入為主地認為他們是爛片。

Ⅳ 有關IMDB電影評分系統的問題

它是把每個人的投票投的分數 平均下來 所得的

而且不是誰投票就算的 必須是他們的資深老會員才算

Ⅵ 電影評分太低可以怪評分網站嗎

9月22日，電影《純潔心靈逐夢演藝圈》（以下簡稱《純潔心靈》）在全國上映後，豆瓣電影評分給出最低2分，該片或成為「最低分電影」之一。對此，電影出品方在官方微博發函稱，電影的導演花了12年拍的電影一夜之間就被豆瓣給毀了，並要求豆瓣道歉。

片方提出《純潔心靈》得到了「很多專家的高度評價」，以此質疑豆瓣評分不公正。這就涉及到底哪邊更容易造假的問題。參加《純潔心靈》專家觀摩研討會的專家有二十多位。而截至目前，《純潔心靈》在豆瓣上的2.0分是1.47萬人共同打分的結果。一邊是混同一個圈子、接受邀請前來觀摩的專家更可信，一邊是一萬多名互不相識的網友，哪邊公信力更高，哪邊更容易受操縱，不難判斷。

對《純潔心靈》的差評不僅出現在豆瓣上，還出現在微博、淘票票、貓眼等諸多網路平台上。正如畢志飛導演所說，有些人沒看過電影就來罵。但這種現象一部分是由「專家力挺」與觀眾惡評之間的強烈反差激起的，一部分是片方因票房不好遷怒評分網站激起的，還有一部分是看過那山寨味十足的海報，聽過那口水味十足的主題歌自發起來的。口碑從來不像有些人想像得那麼容易操縱，很多時候只會搬起石頭砸自己的腳。

Ⅶ 豆瓣電影評分模式是什麼可信么

豆瓣評分

簡單地說，沒有關系，我們也不想有關系。具體可以分現在的商務和將來的商務看。

豆瓣目前來源於電影行業的主要營收渠道是電影的宣傳廣告。形式是廣告banner，賣點是「讓更多人知道你的電影／電視劇」。經常需要電話里澄清「但是賣點不包括更高評分「，我覺得我的同事挺累的。這件事的收入也只是豆瓣整體收入的零頭，如果容易起誤會我們可以另作打算。

電影行業里更大的商業機會豆瓣會當仁不讓地去爭取，只要不會影響到公眾對豆瓣評分的信任。內部做到真正的獨立比較容易，可以用結構、制度和防火牆做到。稍難的是避免市場和公眾的認知被輕易誤導，或者說避嫌。只要新的模式依賴於豆瓣整體數據之上的宏觀判斷，而不是直接依賴評分，我們相信很多事可以做，也想很快開始做。

從管理和團隊一致性的角度看，我在公司各種內部場合、在幾百人的年會上講過和這篇問答大同小異的東西（要精簡一些，因為得站著講），所以我的同事大都知道和評分中立原則偏離是極端嚴重的錯誤。在和評分有關的事情上，到今天我個人沒有發現過一例本質的執行錯誤。更重要的是如果過去或將來有錯誤的話，豆瓣作為一個公司有誠意和意志保證發現後能馬上得到糾正。

八：你為什麼這個時候出來寫這個東西？

我們以前認為提供評分服務需要保持中立和獨立是天經地義的事情，沒什麼好公開標榜的。碰到有意無意曲解豆瓣評分原則的，我們也很少出來辯護，我們覺得只要每個月有上億的人信任豆瓣就夠了。但影視行業最近的變化，讓我們直接感覺到低調在這個時候可能是不明智的。

但我確實看到行業中具體的個人，曾經都是有理想抱負的年輕人，所以除了溝通走樣和誤會的原因，我也猜測行業正在催生一些結構的問題。我直覺判斷，今天可能是一個岔路口，現在有必要把豆瓣的立場一次表達清楚，以免猜測和誤解引發的博弈把行業的一角推向我們最終都不喜歡的方向。

豆瓣一直是用戶的朋友，我們希望一直也是影視行業的朋友。我很想看到行業能一直健康地發展下去，相信一個滿懷誠意的、中立的評分服務對整個行業在結構上是長期有益的，也相信一個透明地傳達觀眾看法的地方對行業里個人的職業成長也有微薄但是長期的幫助。

Ⅷ 電影評分

豆瓣上的9分電影有很多，我挑選的電影都是入選豆瓣榜單Top250的電影，是很多人票選出來的，這些電影是電影史上的經典之作，經過了時間的檢驗，特別值得一看。

《肖申克的救贖》是排在豆瓣榜單上評分最高的電影。這部1994年拍攝的電影，在豆瓣上打出了9.6的高分，是很多人公認的電影經典之作。這部電影之所以這么出名，就是因為他講了一個追求自由的故事，劇中主人公肖申克被錯判入獄，但是在獄中他一直沒有放棄對自由的渴望，一個越獄計劃被他堅持了十幾年，最後在一個風雨交加的夜晚終於越獄成功，獲得自由的那一刻，令人動容。

《霸王別姬》是豆瓣上評分最高的國產電影，在豆瓣上打出了9.6的高分。這部電影講述了一個兄弟情的故事，程蝶衣和兄弟段小樓是從小在京劇戲班唱戲的師兄弟，兩個人從小一起長大。後來社會發生了巨大變遷，兄弟倆的關系也發生了改變，讓觀眾感到在時代的變遷中，個人的感情是多麼脆弱。

我最喜歡的一部電影是美國的《阿甘正傳》，這部電影在豆瓣上也是打出了9.4的高分。這部電影同樣拍攝於1994年，即使過去了二十多年，依然是很多人心中的經典。這部電影是一部勵志電影，男主阿甘看似木訥的背後，其實也蘊藏著大智慧，它傳遞的思想是只要努力去奮斗，夢想就可以實現。

Ⅸ 貓影視沒有評分

是的。
記者采訪了部分評委，都表示確實收到貓眼的電話通知，在進行調整。貓眼相關負責人表示，這次只是暫時關閉評分入口，評分系統正在優化，過陣子應該會恢復。至於69位評委的打分和評論，目前沒有入口可以看到，也沒有搜索項，之後會對這方面進行改進。
目前大家都在開會討論中，現在是過渡期，至於優化方案都還在探討，我們希望能夠在形式上再優化，影響力做出去，讓傳播更廣，有更多普通觀眾能夠看到。但對於此次調整時間，對方無法給出肯定答復。

Ⅹ 豆瓣電影的評分標準是什麼有何演算法

豆瓣的注冊用戶看完一部電影，心情好的話會來打個一到五星的分（有時候心情不好也會來）。比方說一部電影有42萬用戶打分。我們的程序把這42萬個一到五星換算成零到十分，加起來除以42萬，就得到了豆瓣評分。

這個評分會自動出現在豆瓣各處，中間沒有審核，平時也沒有編輯盯著看。每過若干分鍾，程序會自動重跑一遍，把最新打分的人的意見包括進來。

那42萬用戶里可能包括資深電影評論家，可能包括你、你的親戚、你的小學同學、早晨賣你油條的那個人，也可能包括阿北我個人。但每個人都是一票。這個是「大眾評審團」應該的含義：不是說團里的人全都大眾，而是說和大眾一樣一人一票。

豆瓣的工作人員偶然收到「我明明給這個片子打了五星，為什麼評分一點沒變」的投訴的時候，除了心裡嘀咕一下「哎，你拿這些紅人／獨生子女／八零後／九零後／零零後／數學不好的人怎麼辦」以外，會（或者應該）這樣耐心解釋：評分實際是變了，只是在小數點後四位，被四捨五入掉了。

但如果有幾千個人和你一樣都打五星的時候，分數就會變。

「一人一票」唯一的例外，是豆瓣的程序判斷是「非正常打分」的帳號。這些打分會被排除在外。具體下面會說到。

豆瓣電影評分的主旨和原則，是「盡力還原普通觀影大眾對一部電影的平均看法」。這個主旨過去十年沒變過，將來也不想變。

它並不是專家、影視從業人員或者資深人士對電影的看法，雖然這些看法會被豆瓣算在「普通觀影大眾」之內。所以有次聽到「豆瓣電影評分不專業」的說法的時候，我的反應這是在說「大眾不專業」，應該怪語文才是。個人認為匯總專家意見會是另一個很有價值的服務，但這個確實不是豆瓣評分的宗旨。

豆瓣簡介

豆瓣（douban）是一家社區網站。網站由楊勃（網名「阿北」）[3]創立於2005年3月6日。該網站以書影音起家，提供關於書籍、電影、音樂等作品的信息，無論描述還是評論都由用戶提供，是中國Web 2.0網站中具有特色的一個網站。

網站還提供書影音推薦、線下同城活動、小組話題交流等多種服務功能，它更像一個集品味系統（讀書、電影、音樂）、表達系統（我讀、我看、我聽）和交流系統（同城、小組、友鄰）於一體的創新網路服務，一直致力於幫助都市人群發現生活中有用的事物。2012年，豆瓣閱讀上線，開始進入網上電子書版權領域。

(10)電影評分系統解決方法擴展閱讀：

豆瓣其他產品

1.豆瓣FM

豆瓣FM是你專屬的個性化音樂收聽工具，打開就能收聽，可以用「紅心」、「垃圾桶」或者「跳過」 告訴豆瓣FM你的喜好。豆瓣FM將根據你的操作和反饋，從海量曲庫中自動發現並播出符合你音樂口味的歌曲，提供公共、私人和紅心三種收聽方式。在紅心兆赫離線也能收聽。

2.豆瓣讀書- 豆瓣讀書自2005年上線，已成為國內信息最全、用戶數量最大且最為活躍的讀書網站。我們專注於為用戶提供全面、且精細化的讀書服務，同時不斷探索新的產品模式。到2012年豆瓣讀書每個月有超過800萬的來訪用戶，過億的訪問次數。

3.豆瓣閱讀

豆瓣閱讀是豆瓣讀書2012年推出的數字閱讀服務，支持 Web、iPhone、iPad、Android、Kindle等桌面和移動設備，自2012年5月7日作品商店上線以來，商店作品達600餘部，用戶評論3000餘篇，有50萬用戶購買過付費或者免費作品。

豆瓣閱讀的現有內容涵蓋了小說、歷史、科技、藝術與設計、生活等多種門類，定位為短篇作品和圖書於一體的綜合平台。

4.豆瓣音樂

豆瓣音樂是中國最大的音樂分享、評論、音樂人推廣社區，擁有最完整的全球音樂信息庫、最權威的用戶音樂評論，和最具創造力的獨立音樂人資源。匯集90多萬音樂條目，包括小凡say、幼稚園殺手、MC光光、呆寶靜等21000多位獨立音樂人入駐，2011年全年平均每5分鍾誕生一首原創音樂，覆蓋粉絲超千萬。

5.豆瓣同城

豆瓣同城是國內最大的線下活動信息發布平台，包括音樂/演出、話劇、展覽、電影、講座/沙龍、戲劇/曲藝、生活/聚會、體育、旅行、公益……專注於一線城市業餘生活方式。

6.豆瓣小組

豆瓣小組於2005年上線，定位於「對同一個話題感興趣的人的聚集地」，至今已有30多萬個小組被用戶創建，月獨立用戶超過5500萬。內容包括娛樂、美容、時尚、旅行等生活的方方面面。用戶在這里發布內容，同時也通過互動或瀏覽，發現更多感興趣的內容。