电影评分系统解决方法

Ⅰ 优酷 上的电影评分是根据什么来的观众也能打分吗

优酷视频采用的是站内评分和站外引用并行的双评分系统，站内是由优酷评分而非用户，站外则引用豆瓣数据，观众不能打分。和腾讯视频一样，由于优酷引用的豆瓣数据——评分和影评——仅被放置于视频播放页，不影响影片排序，也非用户观看行为的“触发器”。

优酷是由古永锵于2006年6月21日创立并正式上线。优酷现为阿里巴巴文化娱乐集团大优酷事业群下的视频平台。

(1)电影评分系统解决方法扩展阅读：

通常，影片评分的数据来源无外乎两种，一种站内评分，一种站外引用。站内不消说，站外可引用一些电影资料库，常见的有IMDb，烂蕃茄，国内如豆瓣电影，时光网等也相对比较权威。

国内的主流视频门户，早期多采用前者，顶踩挖埋及用户成长体系，也都是围绕站内机制来筛选优质内容。而站外引用评分数据，目的当然也是筛选优质内容，优化用户选片体验。

主流视频门户的影片评分功能，排名不分先后：

1、腾讯视频：站内（腾讯）评分，同时引用豆瓣数据；

2、搜狐视频：站内（用户）评分，同时引用IMDb数据；

3、优酷视频：站内（优酷）评分，同时引用豆瓣数据；

4、乐视网：站内（用户）评分；

5、爱奇艺，站内（用户）评分。

Ⅱ 学IT的，写了一个电影推荐系统，但是为什么评分预测值大于五

全文以“预测电影评分”例子展开

r(i,j)=0则表明user_j没有对movie_i 没有评分，

推荐系统要做的就是通过预测user_j对这些movie {i|r(i,j)=0}的评分来给user_j 推荐其可能会喜欢的电影<预测评分较高的movie>

=======================================二、基于内容的推荐=======================================

对每个movie_i引入特征x(i)=(x1, x2)，这种特征可能表明user对movie类型的偏好：浪漫or动作等

对于每个user引入一个参数theta，然后对评分矩阵的每列(对应一个user)做线性回归，数据是{ (x(i), y(i,j)) |r(i,j)=1，for some j all i}

像机器学习一样，x(i)添加个1变量x(i)=(1, x1, x2)

那么对于未评分的movie_t，我们可以使用线性回归训练的参数theta与对应特征x(t)做内积来得到其预测评分

对每个用户都训练一个参数theta_j，优化模型如下：

优化算法：注意正则项是不约束x(i)=(1, x1, x2)中1对应的参数theta的第一项theta0，所以k=0与k=1,2分别对待

=======================================三、协同过滤=======================================

现在换个角度：如果知道theta for all user j，如何来预测x(i) = (x1, x2) all i

仍然可以使用线性回归，为训练每个x(i)，需要评分矩阵的第i行数据{ (x(i), y(i,j)) |r(i,j)=1，for some i all j}

theta_j = (0, theta1, theta2) ；theta1=5说明user_j喜欢romance类movie， theta2=5说明user_j喜欢action类movie，只能有一个等于5哦，

我觉得也可以是：theta_j = (0, 4, 1) ；喜欢romance 4 action 1.

对应的优化：

协同过滤：交替优化theta与x

=========================================四、协同过滤算法=======================================

优化：

优化：注意去掉了theta和x的添加项

=========================================五、实现细节补充=======================================

实现细节：

如果有user没有对任何电影评分或者所有评分的电影都是0分，那么所学习到的参数是零向量，

则预测都是0值，这是不合理的。通过 将评分矩阵减去其行均值再进行线性回归来“避免”这种情况

=========================================六、一点思考==========================================

协同过滤那块，同时优化theta、x，这样得到的theta、x还有特定的意义<比如：x是否还表征对影视类型的喜爱与否>没有？

回归中，在x数据上不添加1-feature是不是因为后来引入的平均值化；如果不是，那会对结果有什么影响？

用x-feature来表征一个movie，x-feature的各分量的可解释性；应该会有一部分user应为演员的缘故有一些"偏爱"。

这里，讲的"基于内容的推荐"与"协同过滤"跟以前对这两个词的认识/所指内容不同，查清楚、搞明白。

这周还会再更一篇关于此节课的算法实现，会对上述部分问题做出回答。

Ⅲ 谁知道豆瓣网电影评分系统是怎样生成的

有专门的人的。

Ⅳ 电影评分真的会影响大众吗

研究发现，无论是对看过的电影重新打分，还是对新看的电影进行打分，用户都会明显受到之前看到的评分的影响。当看到低评分电影时，用户倾向于给低分；当看到的高评分时，用户倾向于给高分。尤其值得注意的是，对于同一部电影来说，如果用户看到的评分是被故意调低了的，他对这部电影的评价会比看到正常评分时要低。尽管故意调高的评分也会带来更高的用户打分，但故意调低造成的低评分的意愿和广泛程度都比调高时要更强烈。这也许就是为什么电影制作方不愿意看到低评分的原因：它会造成坍塌式的连带效应，所谓好事不出门，坏事传千里。
除了打分外，打分页面的影评也会影响其他潜在的观影者。Tsang（2009）等研究者在对香港影评的研究中发现，影评会深刻影响人们的观影倾向，这种影响程度比打分还要厉害。影评和打分还会相互作用：如果两者都是正或负，其结果显而易见；如果两者相反，尤其是一个评分很高的电影下面都是负面的影评，观影者可能会放弃对这个评价体系的信任。
由此可知，无论是评分系统，还是页面上的影评，都会潜在地影响人们对影片的判断。可以理解为，最近三大国产影片在豆瓣上的低评分，会使得其他的吃瓜群众先入为主地认为他们是烂片。

Ⅳ 有关IMDB电影评分系统的问题

它是把每个人的投票投的分数 平均下来 所得的

而且不是谁投票就算的 必须是他们的资深老会员才算

Ⅵ 电影评分太低可以怪评分网站吗

9月22日，电影《纯洁心灵逐梦演艺圈》（以下简称《纯洁心灵》）在全国上映后，豆瓣电影评分给出最低2分，该片或成为“最低分电影”之一。对此，电影出品方在官方微博发函称，电影的导演花了12年拍的电影一夜之间就被豆瓣给毁了，并要求豆瓣道歉。

片方提出《纯洁心灵》得到了“很多专家的高度评价”，以此质疑豆瓣评分不公正。这就涉及到底哪边更容易造假的问题。参加《纯洁心灵》专家观摩研讨会的专家有二十多位。而截至目前，《纯洁心灵》在豆瓣上的2.0分是1.47万人共同打分的结果。一边是混同一个圈子、接受邀请前来观摩的专家更可信，一边是一万多名互不相识的网友，哪边公信力更高，哪边更容易受操纵，不难判断。

对《纯洁心灵》的差评不仅出现在豆瓣上，还出现在微博、淘票票、猫眼等诸多网络平台上。正如毕志飞导演所说，有些人没看过电影就来骂。但这种现象一部分是由“专家力挺”与观众恶评之间的强烈反差激起的，一部分是片方因票房不好迁怒评分网站激起的，还有一部分是看过那山寨味十足的海报，听过那口水味十足的主题歌自发起来的。口碑从来不像有些人想象得那么容易操纵，很多时候只会搬起石头砸自己的脚。

Ⅶ 豆瓣电影评分模式是什么可信么

豆瓣评分

简单地说，没有关系，我们也不想有关系。具体可以分现在的商务和将来的商务看。

豆瓣目前来源于电影行业的主要营收渠道是电影的宣传广告。形式是广告banner，卖点是“让更多人知道你的电影／电视剧”。经常需要电话里澄清“但是卖点不包括更高评分“，我觉得我的同事挺累的。这件事的收入也只是豆瓣整体收入的零头，如果容易起误会我们可以另作打算。

电影行业里更大的商业机会豆瓣会当仁不让地去争取，只要不会影响到公众对豆瓣评分的信任。内部做到真正的独立比较容易，可以用结构、制度和防火墙做到。稍难的是避免市场和公众的认知被轻易误导，或者说避嫌。只要新的模式依赖于豆瓣整体数据之上的宏观判断，而不是直接依赖评分，我们相信很多事可以做，也想很快开始做。

从管理和团队一致性的角度看，我在公司各种内部场合、在几百人的年会上讲过和这篇问答大同小异的东西（要精简一些，因为得站着讲），所以我的同事大都知道和评分中立原则偏离是极端严重的错误。在和评分有关的事情上，到今天我个人没有发现过一例本质的执行错误。更重要的是如果过去或将来有错误的话，豆瓣作为一个公司有诚意和意志保证发现后能马上得到纠正。

八：你为什么这个时候出来写这个东西？

我们以前认为提供评分服务需要保持中立和独立是天经地义的事情，没什么好公开标榜的。碰到有意无意曲解豆瓣评分原则的，我们也很少出来辩护，我们觉得只要每个月有上亿的人信任豆瓣就够了。但影视行业最近的变化，让我们直接感觉到低调在这个时候可能是不明智的。

但我确实看到行业中具体的个人，曾经都是有理想抱负的年轻人，所以除了沟通走样和误会的原因，我也猜测行业正在催生一些结构的问题。我直觉判断，今天可能是一个岔路口，现在有必要把豆瓣的立场一次表达清楚，以免猜测和误解引发的博弈把行业的一角推向我们最终都不喜欢的方向。

豆瓣一直是用户的朋友，我们希望一直也是影视行业的朋友。我很想看到行业能一直健康地发展下去，相信一个满怀诚意的、中立的评分服务对整个行业在结构上是长期有益的，也相信一个透明地传达观众看法的地方对行业里个人的职业成长也有微薄但是长期的帮助。

Ⅷ 电影评分

豆瓣上的9分电影有很多，我挑选的电影都是入选豆瓣榜单Top250的电影，是很多人票选出来的，这些电影是电影史上的经典之作，经过了时间的检验，特别值得一看。

《肖申克的救赎》是排在豆瓣榜单上评分最高的电影。这部1994年拍摄的电影，在豆瓣上打出了9.6的高分，是很多人公认的电影经典之作。这部电影之所以这么出名，就是因为他讲了一个追求自由的故事，剧中主人公肖申克被错判入狱，但是在狱中他一直没有放弃对自由的渴望，一个越狱计划被他坚持了十几年，最后在一个风雨交加的夜晚终于越狱成功，获得自由的那一刻，令人动容。

《霸王别姬》是豆瓣上评分最高的国产电影，在豆瓣上打出了9.6的高分。这部电影讲述了一个兄弟情的故事，程蝶衣和兄弟段小楼是从小在京剧戏班唱戏的师兄弟，两个人从小一起长大。后来社会发生了巨大变迁，兄弟俩的关系也发生了改变，让观众感到在时代的变迁中，个人的感情是多么脆弱。

我最喜欢的一部电影是美国的《阿甘正传》，这部电影在豆瓣上也是打出了9.4的高分。这部电影同样拍摄于1994年，即使过去了二十多年，依然是很多人心中的经典。这部电影是一部励志电影，男主阿甘看似木讷的背后，其实也蕴藏着大智慧，它传递的思想是只要努力去奋斗，梦想就可以实现。

Ⅸ 猫影视没有评分

是的。
记者采访了部分评委，都表示确实收到猫眼的电话通知，在进行调整。猫眼相关负责人表示，这次只是暂时关闭评分入口，评分系统正在优化，过阵子应该会恢复。至于69位评委的打分和评论，目前没有入口可以看到，也没有搜索项，之后会对这方面进行改进。
目前大家都在开会讨论中，现在是过渡期，至于优化方案都还在探讨，我们希望能够在形式上再优化，影响力做出去，让传播更广，有更多普通观众能够看到。但对于此次调整时间，对方无法给出肯定答复。

Ⅹ 豆瓣电影的评分标准是什么有何算法

豆瓣的注册用户看完一部电影，心情好的话会来打个一到五星的分（有时候心情不好也会来）。比方说一部电影有42万用户打分。我们的程序把这42万个一到五星换算成零到十分，加起来除以42万，就得到了豆瓣评分。

这个评分会自动出现在豆瓣各处，中间没有审核，平时也没有编辑盯着看。每过若干分钟，程序会自动重跑一遍，把最新打分的人的意见包括进来。

那42万用户里可能包括资深电影评论家，可能包括你、你的亲戚、你的小学同学、早晨卖你油条的那个人，也可能包括阿北我个人。但每个人都是一票。这个是“大众评审团”应该的含义：不是说团里的人全都大众，而是说和大众一样一人一票。

豆瓣的工作人员偶然收到“我明明给这个片子打了五星，为什么评分一点没变”的投诉的时候，除了心里嘀咕一下“哎，你拿这些红人／独生子女／八零后／九零后／零零后／数学不好的人怎么办”以外，会（或者应该）这样耐心解释：评分实际是变了，只是在小数点后四位，被四舍五入掉了。

但如果有几千个人和你一样都打五星的时候，分数就会变。

“一人一票”唯一的例外，是豆瓣的程序判断是“非正常打分”的帐号。这些打分会被排除在外。具体下面会说到。

豆瓣电影评分的主旨和原则，是“尽力还原普通观影大众对一部电影的平均看法”。这个主旨过去十年没变过，将来也不想变。

它并不是专家、影视从业人员或者资深人士对电影的看法，虽然这些看法会被豆瓣算在“普通观影大众”之内。所以有次听到“豆瓣电影评分不专业”的说法的时候，我的反应这是在说“大众不专业”，应该怪语文才是。个人认为汇总专家意见会是另一个很有价值的服务，但这个确实不是豆瓣评分的宗旨。

豆瓣简介

豆瓣（douban）是一家社区网站。网站由杨勃（网名“阿北”）[3]创立于2005年3月6日。该网站以书影音起家，提供关于书籍、电影、音乐等作品的信息，无论描述还是评论都由用户提供，是中国Web 2.0网站中具有特色的一个网站。

网站还提供书影音推荐、线下同城活动、小组话题交流等多种服务功能，它更像一个集品味系统（读书、电影、音乐）、表达系统（我读、我看、我听）和交流系统（同城、小组、友邻）于一体的创新网络服务，一直致力于帮助都市人群发现生活中有用的事物。2012年，豆瓣阅读上线，开始进入网上电子书版权领域。

(10)电影评分系统解决方法扩展阅读：

豆瓣其他产品

1.豆瓣FM

豆瓣FM是你专属的个性化音乐收听工具，打开就能收听，可以用“红心”、“垃圾桶”或者“跳过” 告诉豆瓣FM你的喜好。豆瓣FM将根据你的操作和反馈，从海量曲库中自动发现并播出符合你音乐口味的歌曲，提供公共、私人和红心三种收听方式。在红心兆赫离线也能收听。

2.豆瓣读书- 豆瓣读书自2005年上线，已成为国内信息最全、用户数量最大且最为活跃的读书网站。我们专注于为用户提供全面、且精细化的读书服务，同时不断探索新的产品模式。到2012年豆瓣读书每个月有超过800万的来访用户，过亿的访问次数。

3.豆瓣阅读

豆瓣阅读是豆瓣读书2012年推出的数字阅读服务，支持 Web、iPhone、iPad、Android、Kindle等桌面和移动设备，自2012年5月7日作品商店上线以来，商店作品达600余部，用户评论3000余篇，有50万用户购买过付费或者免费作品。

豆瓣阅读的现有内容涵盖了小说、历史、科技、艺术与设计、生活等多种门类，定位为短篇作品和图书于一体的综合平台。

4.豆瓣音乐

豆瓣音乐是中国最大的音乐分享、评论、音乐人推广社区，拥有最完整的全球音乐信息库、最权威的用户音乐评论，和最具创造力的独立音乐人资源。汇集90多万音乐条目，包括小凡say、幼稚园杀手、MC光光、呆宝静等21000多位独立音乐人入驻，2011年全年平均每5分钟诞生一首原创音乐，覆盖粉丝超千万。

5.豆瓣同城

豆瓣同城是国内最大的线下活动信息发布平台，包括音乐/演出、话剧、展览、电影、讲座/沙龙、戏剧/曲艺、生活/聚会、体育、旅行、公益……专注于一线城市业余生活方式。

6.豆瓣小组

豆瓣小组于2005年上线，定位于“对同一个话题感兴趣的人的聚集地”，至今已有30多万个小组被用户创建，月独立用户超过5500万。内容包括娱乐、美容、时尚、旅行等生活的方方面面。用户在这里发布内容，同时也通过互动或浏览，发现更多感兴趣的内容。