电视节目收视率调查模式研究

对电视节目收视率调查方式的两种主要模式（面向收视样本人群和面向样本电视机群）进行了分析对比，认为面向样本电视机群的模式更为合理。以绝对收视率的定义为依据，对部分调查数据进行分析处理，取得了满意的效果。     

浅谈电视收视率指标分析

一、收视率应用现状目前,在节目评价操作中,已有相当多的省级上星台引入了收视率指标。一些电视台建有精确量化的节目评价体系,有些电视台的体系尚未定型,但是在包括收视率指标方面却相当一致,而且收视率指标所占份量大都不低于50%。据悉,南方一家卫视台实行黄金时段末位节目淘汰制,这一制度体系中收视率指标便占了50%的份量,其次是技术和艺术等因素,广告效益也名列其中。另一家以综艺节目崭露头角的电视台,其节目评价体系中,收视率指标所占比重达到60%,此外是专家意见和其他因素。我国电视界的龙头老大中央电视台从1995年开始便尝试按照收视率情况调整节目播出安排及广告经营,目前也在进一步研究如何纳入收视率指标,构建客观、科学的节目评价指标体系。二、问题分析与收视率运用“热潮”相对照的是,由于对收视率的内涵、测量方法、操作技术和规则缺乏了解,一些电视从业人员存在一定“准入”障碍,有时还出现一些错误。以下我们试列举一些主要问题进行探讨。1、测量方法局限与节目评价失察我国收视率调查目前主要采用日记法。日记法有不少优点,特别是成本低廉,相对于人员测量仪法来说,样本排除性较小。但是日记法的缺点也很明显,其中之一便是它的最小记录单位是15分...     

基于贝叶斯网络的电视节目收视率预测研究

收视率是衡量电视节目质量的重要指标,节目播出后的收视率调查已经不能满足竞争日益激烈的各电视台的需要,因此迫切需要科学有效地预测收视率的方法。对贝叶斯网络进行了研究,并将据此建立的数据挖掘预测模型应用于电视节目收视率预测的研究,取得了较好效果。     

主成分分析法中数据处理方法的改进

由于原有的主成分分析法受到评价指标量纲和数量级的影响，因而主成分也会因评价指标量纲和数量级的改变而不同，并且使得部分信息丢失。用均值化方法借助DPS数据处理软件，对原始数据进行无量纲化处理，不仅有效消除了量纲与数量级的影响，而且使得处理后的数据包含了原始数据的全部信息。     

基于ARIMA模型的全国电视收视率实证分析

现代电视媒体经营中,要想在日益完善的经济竞争机制中增加收益,对于电视媒体来说至关重要,本文通过对全国样本城市的收视率数据进行了周一至周日的走势分析,并在走势相同的情况下对周四的收视率进行了时间序列建模分析,在将原始非平稳序列经二阶差分后进行了ARIMA建模。     

注意力经济时代背景下的收视率探悉

本文从注意力经济时代出发,指出在当前背景下,电视媒体为争夺有限的观众注意力而展开的收视率恶拼有一定的社会现实性。但过犹不及,当前业界对收视率的疯狂追逐显然已经放弃了电视作为主流媒体所应承担的社会责任。鉴于此,针对收视率所带来的一系列负面影响,如何完善节目的综合评价体系,寻求电视媒体的多元化盈利模式,以科学、理性的态度对待收视率是本文的核心所在。     

基于时间序列模型的收视率研究

收视率是指在某个时段收看某个节目的目标观众人数占总目标人群的比重,以百分比表示。收视率的高低能够反映出节目的观众喜爱程度以及节目所具有的社会影响力。本文采用2006年中国电视收视年鉴中的全国收视数据,以工作日及节假日收视率为研究对象,利用SAS统计软件做时间序列分析,并进行预测。结果显示,节假日收视率数据能够较好的拟合ARIMA(1,2,(1,4))模型,工作日收视率数据则利用ARIMA(1,2,(1,4))模型和AR(1,4)模型拟合结果都较好,但是相对而言ARIMA(1,2,(1,4))拟合效果最好。     

浅论GIS数据质量控制

在分析GIS数据质量特点的基础上,提出了按照数据的生产过程划分的原始数据、一次性数据、二次性数据、三次性数据。并基此以矢量化数据为例说明了数据质量控制流程。详细分析了数据的检验方法,并以测量数据为例详细说明了数据质量控制过程。     

一种基于半监督的大规模数据集聚类算法

待挖掘数据集规模的不断增长,以往的聚类算法由于需要多次扫描原始数据集而不再适用,现阶段,一遍扫描原始数据集即完成聚类的算法成为了首要的研究目标.但是,现有针对大规模数据集的算法容易受到初始化参数以及原始数据集分布的影响,聚类结果质量不高,并且也不稳定.对此,吸收半监督聚类的思想,提出了基于标记集的半监督一遍扫描K均值算法,该算法利用驻留主存的标记集指导聚类过程,使得聚类效率以及聚类结果的质量得到了进一步的提高.在人工生成数据集以及1998KDD数据集上验证了该算法的有效性.     

基于CNN-BiLSTM的自动睡眠分期方法

针对目前睡眠分期存在的依赖人工特征提取、无法识别长时关联数据中的时序模式、模型对EEG时序数据分期不准确等问题，提出一种基于CNN-BiLSTM的自动睡眠分期方法.将原始数据通过改进MSMOTE算法进行过采样形成类平衡数据，再通过CNN表达其高级特征，并馈送至BiLSTM中挖掘各睡眠阶段间的依赖关系，实现睡眠数据分期特征的自动学习和睡眠周期判定.在Sleep-EDF公开数据集上的实验结果表明，CNN-BiLSTM模型的分类准确率为92.21%.同时引入改进的MSMOTE过采样技术缓解因数据不平衡所导致的少数类睡眠期判定不准确问题.在原始数据集类不平衡的情况下，实现了睡眠数据自动分期，有效提高了睡眠分期模型的准确率，具有一定的实用价值.      

数据仓库数据加载技术

数据仓库中的数据不是传统数据库中数据的简单堆积，其数据的组织必须方便基于数据仓库基础之上的数据挖掘和商业智能工作，为决策者提供访问、分析及共享信息的能力，从而发挥数据仓库的真正功效。成功构造一个数据仓库的关键在于自始至终理解用户需要，紧紧围绕用户目标这一主题进行数据的搜集和存储。首先分析数据仓库的特点及拥有的数据类别及组成，重点介绍如何从现有数据库中有效地将数据引导至数据仓库的方法和策略，具体给出了数据仓库中5种不同类别数据的加载方法。     

浅谈大数据时代的数据挖掘和数据可视化

大数据时代下数据量的爆炸式增长,使得分析和解读大数据显得尤为重要. 阐述了解析数据工具——数据挖掘和数据可视化技术,重点探讨了两者创新性结合的重要意义和实际效果.     

数据挖掘中的数据预处理技术

阐述了数据集成的预处理技术及必要性，讨论了不完整数据、含噪声数据、不一致数据的清理方法。     

数据仓库清洗技术讨论

数据仓库建设过程中最关键的环节是数据集成,本文重点分析了数据清洗需要解决的问题及涉及的主要技术,针对数据库的数据模型与数据仓库模型的区别讨论了利用元数据的映射规则的数据清洗方法.     

基于ERP模型数据仓库元数据表示方法

针对数据仓库元数据表示问题 ,建立一般问题求解过程的数学描述 ,提出实体、关系、问题ERP建模体系 ,并以星形模型元数据的表示为例 ,提出了基于ERP模型的数据仓库元数据表示方法     

基于数据拆分的数据集成技术研究

分析了数据集成过程中需要将集中存放的数据进行拆分实际问题,提出了基于字段的纵向拆分、基于记录的横向拆分和基于表的双向拆分等3种数据集成方法,实现了数据集成和资源共享,其思想对于数据集成的过程中需要将各自分布的数据合并起来的实际问题也有很大意义。     

数据仓库与数据集市

当今,越来越多的企业和商业机构需要准确把握信息确定战略,而新一代数据仓库和数据集市技术就为数据收集、整合、挖掘提供了卓有成效的解决方案。从数据仓库和数据集市的概念入手,介绍了数据仓库和数据集市的特点、体系结构、构件、评价指标及其应用。     

海量数据处理过程中数据挖掘算法的应用

信息时代的快速发展带来的是信息总量呈现几何级数的增加,而海量数据的存储和分析处理对计算机硬件能力和数据分析能力都是一个极大的挑战．数据挖掘算法是针对于大批量数据处理而提出并逐步发展起来的,基于完备的数据库技术,可以在云计算算法、矩阵压缩算法和并行关联算法的基础上,进行算法集成,能进一步提高数据挖掘的速度、精度和时效性,在实际海量数据的处理过程中有较好的适应性,为海量数据处理提供了新的技术分析方法．     

股票交易数据文件的抽取算法研究

目前市场上有很多股票交易软件,这些软件会根据股票交易的实际情况定期产生股票交易信息数据,并将这些信息数据写入二进制格式的文件中,如DAY文件等.由于这些文件不是文本文件,无法直接使用常规的文件读写进行数据的抽取,而必须设计一种数据抽取算法完成相应操作.对DAY文件进行了分析和研究,在此基础上设计了一种数据抽取算法,并利用JAVA语言实现了数据抽取算法程序,利用该程序完成了从DAY文件中抽取数据并写入数据库的实验.实验结果表明,该程序能够正确地从DAY文件中抽取数据,为后期的股票信息处理和数据挖掘提供了重要的基础.     

数据流挖掘技术

简要概述了数据流挖掘技术，探讨了数据流的特点．数据流的概念漂移现象，给数据流上的数据挖掘带来很大困难．由于计算机的内存有限，数据窗口技术只针对最近的数据，而最近的数据常常导致数据挖掘系统中的分类器过配，文中介绍了解决这一问题的方法，并讨论了数据流挖掘技术的应用．