纵观整个媒体行业的发展历史，我们经历了一个从渠道为王到内容为王再到接触为王的时代。在渠道为王的时代，渠道掌握着流量和内容，用户只能通过单一的直播场景去选择内容，用户对于渠道有较强的依赖性；之后，技术的发展带来了渠道的泛化，用户对渠道的依赖转变为对内容的追求，内容的重要性逐渐超过了渠道；今天，在智能融媒时代，人工智能技术将泛化的渠道重新整合，渠道变得透明，用户通过人工智能助手来选择和接触各种渠道，接触为王成为继渠道为王和内容为王之后的第三次浪潮。

在这一浪潮中，智能大屏显现出独特的优势。智能大屏不仅仅是一块屏幕，也不仅仅是一个渠道，而是一个可以与用户产生多种智能交互的接触点。一方面，智能大屏通过与用户接触，捕捉用户的行为数据，助力媒体与用户之间形成数据闭环，帮助媒体对内容进行快速迭代和优化，更好地适应用户的新特征和新习惯，保持与用户之间紧密的连接；另一方面，智能大屏演化成一个基于算法驱动的平台，利用收集到的用户行为数据，基于算法进行内容分发、人机交互以及广告投放。在智能融媒时代，媒体行业内的数据和算法应用将是大势所趋。

纵观整个媒体行业的发展历史，我们经历了一个从渠道为王到内容为王再到接触为王的时代。在渠道为王的时代，渠道掌握着流量和内容，用户只能通过单一的直播场景去选择内容，用户对于渠道有较强的依赖性；之后，技术的发展带来了渠道的泛化，用户对渠道的依赖转变为对内容的追求，内容的重要性逐渐超过了渠道；今天，在智能融媒时代，人工智能技术将泛化的渠道重新整合，渠道变得透明，用户通过人工智能助手来选择和接触各种渠道，接触为王成为继渠道为王和内容为王之后的第三次浪潮。

在这一浪潮中，智能大屏显现出独特的优势。智能大屏不仅仅是一块屏幕，也不仅仅是一个渠道，而是一个可以与用户产生多种智能交互的接触点。一方面，智能大屏通过与用户接触，捕捉用户的行为数据，助力媒体与用户之间形成数据闭环，帮助媒体对内容进行快速迭代和优化，更好地适应用户的新特征和新习惯，保持与用户之间紧密的连接；另一方面，智能大屏演化成一个基于算法驱动的平台，利用收集到的用户行为数据，基于算法进行内容分发、人机交互以及广告投放。在智能融媒时代，媒体行业内的数据和算法应用将是大势所趋。

面对新浪潮和新趋势，媒体融合与传播国家重点实验室（中国传媒大学）、中国传媒大学经济与管理学院、中国人民大学商学院联合勾正数据，对智能大屏营销进行了全面深入的研究，并将研究成果汇集成此书。

全书分为大屏生态、内容竞争、用户行为和个性推荐四个篇章。大屏生态篇认为，全球新一轮科技革命和产业变革蓄势待发，引发媒体行业发生链式突破，不断催生新技术、新产品、新业态、新模式，并强力驱动媒体形态、服务模式以及传播模式发生巨大变革。智能大屏具备接触为王、数据闭环、算法驱动三个核心特征，势必成为未来的超级流量入口，裂变新物种、孵化新生态、探索新营销适逢其时。

内容竞争篇描绘了智能大屏内容战场的竞争态势全景图，尤其是提出了一套全新的大屏内容竞争智能分析算法集，包括基于向量表征的竞争内容识别算法和考虑网络流转的内容排名算法。这套算法集兼具三个突出优点：驱动大屏，以精准算法识别大屏内容竞争的市场结构，刻画大屏内容的热度排行；第二，使能大屏，以竞争视角打通直播和点播的边界、各个频道间的边界、节目和广告的边界；第三，赋能大屏，以智慧方法透视内容战场竞争内核，为大屏生态多方创造价值。

用户行为篇研究了智能大屏用户收视多样性及其对收视率的影响，发现智能大屏用户收视行为存在八种日模式和六种周模式，可以用四种时间习惯来描述家庭之间的差异，同时智能大屏用户收视行为存在节日效应；并且，并不是每种收视行为都值得鼓励，虽然用户在时间模式上的收视多样性会增加收视率，但过多的类别反而会阻碍收视率的提升。对用户收视行为现象和规律的准确把握，无论对于智能大屏平台方、广告主还是内容提供商来说，都意味着新的机会。

个性推荐篇针对智能大屏的海量资源展开研究，力图解决用户所面临的信息超载问题。研究发现，基于项目的协同过滤方法推荐准确率和召回率较高，基于用户的协同过滤方法能够覆盖更多的长尾；第二，隐式评分能够替代显式评分产生更好的推荐效果；第三，引入长度标量的隐式评分改进方式能够提升推荐效果；第四，基于项目的协同过滤方法在推荐数量为20时能够产生最优推荐结果。本篇设计并实验了智能大屏节目个性化推荐系统，提出了一种可行的解决方案。在成书之际，首先要感谢勾正数据董事长兼CEO喻亮星先生对研究工作给予的支持，感谢龚琴及其产品团队的帮助，以及欢网科技韩风对本书大屏生态篇的研究贡献。

其次，要感谢研究团队成员杨婷、王静雅、王晶三位研究生的努力工作，她们分别负责了本书的内容竞争、用户行为和个性推荐三个篇章的研究工作。同时，对中国广播影视出版社在本书编辑和出版过程中所做的各项工作也深表谢意。最后，本书为国家自然科学基金面上项目“基于在线问答社区的智能信息服务方法及其用户决策影响研究”（71772177）、国家社会科学基金重大项目“我国新闻传播业人工智能应用现状及发展趋向研究”（19ZDA327）、中国传媒大学中央高校基本科研业务费（CUC2019B082）以及“数字经济时代媒体价值的战略认知框架”（HW19181）阶段性研究成果，在此对资助一并表示感谢。

严　威

中国传媒大学经济与管理学院

2020年4月

第一章 大屏生态篇

第一节　大屏时代 3

一、单向时代：直线流程，广电主导  4

二、智能大屏时代：多角色、多模式、复杂化  4

第二节　传媒生态裂变 7

一、广电系媒体先天优势，梯队式发展  7

二、网站系媒体资本运作，BAT+芒果四家独大 10

三、制作公司借力平台方落地，智能大屏内容多元  12

四、其他角色或试水或深耕，均入局智能大屏  14

第三节　从覆盖到触达 15

一、央卫视头部效应延续  16

二、BAT+芒果各有所长 18

三、智能大屏收视表现体现用户覆盖2终效果  19

第四节　洞见未来 26

一、用户回归，倒逼智能大屏成长加速  26

二、流量即价值，用户运营亟须智能大屏模式  27

三、玩家已就位，角色定位仍需新生态适配  27

四、AIoT来临，智能屏抢占中心枢纽  28

第二章 内容竞争篇

第一节　内容战场，硝烟四起 33

一、渠道泛化内容易达，受众挑剔质量攸关  33

二、内容市场供给冗余，受众时间存量残杀  34

三、受众圈层分化复杂，目标错位事倍功半  34

四、内容产业环环相扣，触达效果多方影响  35

五、海量数据智能技术，竞争分析万事俱备  35

六、内容之战一触即发，全新视角揭秘竞争  36

第二节　内容竞争，新标准、新方法 37

一、失信、失真、失灵，内容评价需另辟蹊径  37

二、大样本、细粒度，智能分析助力破局  39

第三节　内容竞争关系挖掘 44

一、整体情况：七成竞争发生在同类之间  45

二、一类竞争：极度专注，竞争对手皆同行  47

三、二类竞争：合理跨界，受众时势巧重合  51

四、三类竞争：意料之外，看不见的竞争者  56

五、用户视角：竞争格局新维度  58

第四节　内容竞争力排行 59

一、电视剧：电视屏幕显露个性，出圈方能横扫渠道  60

二、综艺：热度口碑电视排行，无须交集各显神通  61

三、动漫：动漫动画各有门户，渠道互通遥遥无期  62

四、纪录片：阳春白雪不限题材，下里巴人体贴少年  63

五、榜单对比：内容竞争因屏而异，家长里短主导客厅  64

第五节　卫视竞争分析 65

一、天下大同：各地方卫视收视人群分布相似  66

二、地缘强势：上星卫视忠实观众多来自本省  67

三、各有所好：涉猎2广的省份VS2专注的省份  69

四、国民之选：卫视国民度TOP5花落谁家 69

五、短暂停留：国民度与平均收视时长的错位现象  70

六、独占鳌头：央视综合频道双料冠军  70

第六节　决胜战场，行动指南 72

一、细分受众，智能分析  72

二、锚定对手，重拳出击  72

三、明确定位，运筹帷幄  73

四、重视质量，夯实基础  74

五、渠道内容、精准匹配  74

第三章 用户行为篇

第一节　用户收视多样性及其对收视率的影响 79

一、研究背景  79

二、研究内容  80

三、研究意义  81

第二节　文献综述 82

一、智能大屏研究  83

二、用户收视行为研究  84

三、行为多样性研究  87

第三节　研究方法 89

一、数据样本  89

二、数据预处理  90

三、用户筛选  90

四、分析指标  92

五、分析算法  93

第四节　研究发现 95

一、数据总体分析  95

二、用户典型日模式  97

三、家庭时间习惯  100

四、用户典型周模式  103

五、假日效应  108

六、不同类别的用户喜好  112

七、不同类别的首播模式  115

第五节　收视多样性对收视率的影响 119

一、指标的确立  119

二、变量的选取  120

三、模型构建及分析  122

第六节　结论与展望 124

一、主要结论  124

二、管理启示  127

三、研究展望  129

第四章 个性推荐篇

第一节　智能大屏节目个性化推荐方法 135

一、研究背景  135

二、研究问题  137

三、研究意义  138

第二节　文献综述 139

一、个性化推荐  139

二、媒体产品的个性化推荐  144

三、电视平台上的个性化推荐  146

第三节　基于智能大屏平台的个性化推荐模型 148

一、数据预处理模块  150

二、协同过滤推荐模块  151

三、隐式评分获取模块  161

四、推荐结果生成与评价模块  165

第四节　结果分析 168

一、基于隐式评分的推荐效果分析  168

二、基于项目的协同过滤与基于用户的协同过滤对比  175

三、隐式评分获取模型不同对结果的影响  176

四、TOP-N算法中K值选取对推荐结果的影响  178

第五节　结论与展望 184

一、主要结论  184

二、管理启示  185

三、创新与不足  186

参考文献

参考文献 189

图　目　录

图1　OTT、IPTV及DVB市场渗透率 4

图2　传统DVB单向传输路径 4

图3　智能大屏三种模式传输路径对比  5

图4　智能大屏时代传媒行业生态  5

图5　智能大屏时代传媒盈利链  7

图6　七家广电方IPTV、OTT领域生态 8

图7　七大牌照方终端、内容合作及覆盖状态  9

图8　四大网站智能大屏覆盖路径  11

图9　智能大屏用户覆盖  15

图10　内容产品大屏端用户覆盖 17

图11　TOP媒体表现  18

图12　2019H1头部剧集部数  21

图13　2019H1头部综艺部数  22

图14　收视人群画像性别分布图 40

图15　抽样收视人群画像学历分布 40

图16　抽样收视人群画像年龄分布 40

图17　抽样收视人群画像收入分布 40

图18“流入-流出对”构建网络 41

图19“流入-流出对”构建PageRank网络 43

图20　同类别竞争度分布 46

图21　各卫视收视人群性别分布 66

图22　各卫视收视人群年龄分布 67

图23　样本区域分布 89

图24　样本时间跨度 91

图25　样本收视比率 92

图26　总体用户观看时长和观看次数统计 96

图27　各类播放占比 96

图28　收视日模式 98

图29　家庭时间观看习惯 101

图30　收视周模式 106

图31　不同类别在一天中的流行度变化 114

图32　总体用户首播占比 115

图33　不同类别首播占比 117

图34　首播类型 118

图35　用户多样性回归分析结果 123

图36　OTT产业链  136

图37　协同过滤常见分类 141

图38　基于用户的协同过滤推荐算法 152

图39　基于项目的协同过滤推荐算法 153

图40　KNN算法示意图  159

图41　系统隐式评分流程 161

图42　置信度函数的图形表示 164

图43　用户协同过滤下显隐式评分准确率随K值变化 170

图44　用户协同过滤下显隐式评分召回率随K值变化 170

图45　用户协同过滤下显隐式评分覆盖率随K值变化 171

图46　用户协同过滤下显隐式评分流行度随K值变化 171

图47　项目协同过滤下显隐式评分准确率随K值变化 173

图48　项目协同过滤下显隐式评分召回率随K值变化 173

图49　项目协同过滤下显隐式评分覆盖率随K值变化 174

图50　项目协同过滤下显隐式评分流行度随K值变化 174

图51　两种协同过滤算法推荐效果对比 175

图52　不同隐式评分方式推荐效果对比 177

图53　测试样本在不同K值下的推荐效果 179

图54　项目协同过滤基础隐式评分在不同K值下的推荐效果 180

图55　项目协同过滤长度标量隐式评分在不同K值下的推荐效果 182

图56　用户协同过滤在不同K值下的推荐效果 183

表　目　录

表1　网站大屏行业布局  10

表2　2019H网站大屏会员与付费价格及权益 12

表3　部分上市制作公司2019年上半年部分内容产品大屏分发情况  12

表4　部分非上市制作公司2019年上半年部分内容产品

 大屏分发情况 13

表5　内容产品智能大屏可覆盖用户规模  17

表6　2019H1有效覆盖装机量 18

表7　直播媒体2019年1~10月排行TOP10（到户）  19

表8　直播媒体2019年1~10月排行TOP10（到人）  20

表9　点播媒体2019年1~10月排行TOP10（到户）  20

表10　点播媒体2019年1~10月排行TOP10（到人） 21

表11　直播电视剧2019年1~10月排行TOP10 22

表12　点播电视剧2019年1~10月排行TOP10 23

表13　直播综艺2019年1~10月排行TOP10 24

表14　点播综艺2019H1排行TOP10  25

表15　《决胜》《门第》竞争22列表 47

表16　《奔跑吧兄弟第2季》《奔跑吧兄弟第3季》竞争22列表 49

表17　《非诚勿扰》《父母爱情》竞争列表 52

表18　《非诚勿扰》《新相亲时代》竞争列表 54

......

严威，中国传媒大学经济与管理学院副教授，专业学位教育中心主任，教育部创新创业导师。主要研究领域为营销科技、大数据与商务分析。出版《求义存利：企业志愿服务运作模式与优实践》、《媒体转型》、《数字媒体资产管理》等多部著作。近年来代表性咨询案例有：2016年中国教育电视台《薪酬体系设计与绩效考核》、2017年京东《电商与社会均衡发展报告》、2018年北京经济技术开发区《志愿服务模式、机制与效果研究》、2019年勾正数据《中国智慧屏内容白皮书》、2020年腾讯《数字经济时代媒体价值的战略认知框架》等。

张瑾，中国人民大学商学院副教授，博士生导师。中国人民大学商学院管理科学与工程系副主任，商业分析云智实验室副主任，中国信息经济学会理事，信息系统学会中国分会理事。主要教学与研究领域包括大数据管理与分析、数字经济、商务智能、电子商务、人工智能等。

姜岚，北京勾正数据科技有限公司高级副总裁。致力于智能大屏大数据分析与营销解决方案，在近十年中对电视与LBS场景大数据以及运营商数据底层的应用场景积累了丰富的经验，形成了一套完整的大数据解决方案思路。