直播节目信息流对观众感知质量的影响

AITIME论道

于 2021-06-24 12:00:00 发布

阅读量652

点赞数

文章标签：算法人工智能编程语言数据分析大数据

本文链接：https://blog.csdn.net/AITIME_HY/article/details/118214408

版权

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

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）受到越来越多的关注，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刻？又是什么样的因素导致其给人留下深刻影响？由此引发了研究者们对信息流是如何影响观众感知质量的研究。

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进行了受试者实验研究，除了引出信息流，该研究还要求受试者报告他们对每场比赛的评价。通过试验研究发现，比赛后半段的令人印象深刻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，除了令人印象深刻的场面数量外，还必须纳入这些场面发生的时间，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同的情况下，转折更有可能发生在节目的最后，而不是在整个节目中均匀地发生。

本期AI TIME PhD直播间，我们有幸邀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有趣的研究工作！

许晟伟

黄致焕

许晟伟：北京大学图灵班四年级本科生，导师为孔雨晴老师，研究兴趣：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，导师为孔雨晴老师，研究兴趣：计算经济学、算法博弈论、理论计算机等；热爱算法竞赛，曾获The 2017 ACM-ICPC Asia Nanning Regional Contest冠军，中国大学生程序设计竞赛（CCPC-2020）长春站亚军等。

一、想法的来源

一个直播节目的娱乐效果是从节目内容带给观众的“意外”来体现的，对令人印象深刻的比赛而言，比赛当中往往会有一些反转和“意外”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刻；而一些平平无奇，没有波澜，甚至在刚公布比赛选手的时候就已经毫无悬念的比赛，观众对这种比赛就没有那么深刻的印象。所以我们就认为，娱乐效果是从节目内容的“意外”程度上体现的。本研究中作者采用信息流来描述这种节目中的“意外”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，随着时间的推移，观众不断地获得事件、线索等等。直播节目的信息流刻画的是观众对节目结果的信念的变化。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念是实时变化的，信息流衡量的就是在一场比赛的持续时间内，观众对谁会赢的信念。同时，作者采用信息流的波动来描述“意外”的概念。

所以作者想探究什么时候以及怎样释放信息来制造“意外”能够带来更高的娱乐效应。

1.2 研究问题

（1）建立了收集直播节目实时信息流的系统；

（2）调查“意外”值的总量和释放“意外”值的时间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、研究方法

2.1 实验框架

观众在观看实时对抗型的比赛，仍然以LOL比赛为例，首先在比赛前要收集观众对比赛双方队伍的偏好情况（支持蓝方还是红方或者持中立态度）；在比赛过程中，收集观众对蓝方获胜概率的实时信念。收集方法如下：观众在T0时刻先去报告自己的先验信念，随着时间的变化，观众可以通过实验平台实时修改信念，这样我们可以得到信念曲线。在比赛结束后，请观众对刚刚结束的比赛进行打分（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。

图1. 实验框架

2.1.1 核心：信念曲线

图2. 信念曲线

上图中的信念曲线是指在时间[0,1]的范围内，蓝方胜率的阶梯函数。当观众修改信念时，该函数会发生突变，上图是观众在比赛过程中共修改了5次信念得到的信念曲线。

根据信念曲线（P_g^s(t)）和比赛结果（O_g）计算出integrated quagratic score，进而付给观众实验报酬。计算公式如下：

该函数可以保证在观众实时汇报自己的真实想法时，该公式能够得到一个最高的期望收益，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，从而在观众总数不一致的前提情况下，保证我们每一场的费用是不变的。

2.2 中位数信念曲线

中位数信念曲线代表每个时刻所有观众的信念的中位数的函数。如下图4黄色、蓝色和绿色分别代表3个不同观众的信念曲线，灰色曲线代表观众的中位数信念曲线。其特征与信念曲线相同，都是阶梯函数且会在有限位置处发生突变。

图3. 中位数曲线

2.3 量化“意外”值

中位数曲线每次突变的绝对值求和即为“意外”的总和。

图4. “意外”值的量化方法

2.4 建立平台

信息流实验平台功能包括：

（1）收集受试者的实时信念和赛后评分；

（2）该平台可以允许受试者能够随心所欲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所有更新历史（更新的时间和值）；

（4）在比赛过程中自动的发放注意力测试，使得观众可以集中精力在测试上，从而保证问卷的质量；

（5）设置众包机制，通过观众的作答，从而计算出比赛开始和结束的时间。

图5. 实验平台

三、实验结果

节目的“意外”值越高，节目的结尾越曲折，可以带来观众更高的娱乐效应。如下图6分别是LOL S10中某三场比赛收集到的观众实时的信念曲线。图6（a）代表具有很大“意外”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“意外”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）。

图6. 观众观看比赛的实时信念曲线

每个数据点代表一场比赛，横坐标是每场比赛的总“意外”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，所以还有其他因素在影响rating。

图7. 回归分析

通过前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进行分析。左图描述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，这说明比赛前半场的surprise和这场比赛的rating几乎没有关系。右图描述了后半场比赛两个变量之间的关系，从图中可以看出，其正相关性更为显著，所以我们认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显著影响打分。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。比赛胜利会显著提高观众的打分，但比赛失败并不会显著降低观众的打分。