原文链接：原文出处：拓端数据部落公众号
纪录片才能真实、详尽地反映一个地区的风貌，展示经济发展和社会进步。2018年，纪录片发展迅猛，出现了几部大热作品，加之BBC纪录片作假的舆论导向，让人们对纪录片愈发关注。本文所用的纪录片数据来自哔哩哔哩网站，是目前主流视频网站上最丰富、最接近的数据来源。
数字特点和文本特点相结合，剖析影响播放量的诱因。采用回归树模型剖析自变量对播放量的影响。
纪录片播放量分布
视频播放量是检验视频质量和视频热度的一个直观媒介。内容质量高、话题性强的视频自然会引发广泛关注。对于没有与平台签约的UP主来说，通过视频创作激励计划和奖励机制（冲值计划），播放量与她们的收入直接挂钩。阐述影响纪录片播放量的诱因，有助于更好地理解怎么提升纪录片视频的关注度，以及怎样更好地创作出令人愉悦的自制微纪录片。
纪录片的播放量与它的内容主题有关，有些主题很受欢迎，有些则很冷门。不同的人有不同的兴趣点，会彰显在弹幕、金币、分享等指标上，所以不同类别下的纪录片分布也会有所不同。
为了易于观察，图中只显示了播放量高于7000的纪录片。从图中可以看出，四类纪录片的播放量分布存在显著差别，人文●历史类纪录片的播放量总体上高于其余三类，且呈右偏态（数据集中的所有定量变量都是右偏态的）。军事类和社会食品类纪录片的分布则比较接近。旅游类纪录片的分布比较接近，总的来说，四类纪录片的播放量差别很大，因而不能用同一个模型进行剖析。有必要对参数进行分辨，并对每位类别下的纪录片进行不同的剖析。
纪录片高频词特征
以下是对各个记实分类下的文本的词频特点的剖析。哔哩哔哩网站上最相关的纪录片细分类别是社会和旅游类，该类别的纪录片文本的高频词比较生活化。右图是对该细分领域的纪录片视频文本进行细分过滤后得到的高频词的词频图。
图中显示了社会和旅游纪录片文本中的12个高频词。其中，"旅游"以1118次排行第一，与"旅游"相关的"旅游"和"旅游摄影"分别排行第4和第6位。"乳品"以1111次排行第二，与"乳品"相关的"乳品"排行第11。"人文"以607次排行第五，而与之相关的"纪录片"则排行第八。
据悉，"中国"、"英国"和"世界"的出现频度也很高。文字是由UP主编辑的，目的是让用户更好地理解视频内容，国家类高频词的出现表明，纪录片内容发生的国家是听众决定是否观看视频的重要决定。
词频剖析显示了高频词在纪录片中的分布情况，但不能仅依照词频给出纪录片的选择建议。
播放量的影响诱因剖析
接出来，我们研究变量对播放量的影响。回归树模型被拿来确定自变量对播放量的影响程度。
对回归树进行模拟，在RMSE折线图的拐点处确定最优的树深为7，叶子节点的最小样本数设为25，分支节点的最小数目设为50。
进行十折交叉验证，构建回归树，右图为回归树的模型结构。
在图中，观察叶子节点的框线图可以发觉，大部份纪录片的播放量都很低，这种纪录片坐落树形图的右侧，其判断变量是评论数和弹幕数。树形图的最左边的叶子节点界定了具有高播放量的纪录片，其判断变量是评论数和弹出窗口数，其次是相邻的右侧叶子节点，其父节点有评论数、弹出窗口数和硬币数的分类变量。因而，与播放次数密切相关的变量是弹幕数、评论数和金币数，它们对高播放次数的影响更大。从左侧的叶子节点可以看出，假如评论数、弹幕数和金币数越高，这么播放量也就越高。在构建回归树模型时，自变量的重要性依次为：评论数（44）、弹幕数（18）、金币数（17）、分享数（8）、粉丝数（6）、收藏数（6）和递交数（1）。最重要的变量是听众与纪录片视频和UP主之间的互动程度，UP主在制做视频和选择能形成强烈互动的内容材料时，可以考虑到这一点。并且，这一点比较主观，没有量化的调整方案，也难以控制，难以确认所选的主题素材是否会带来高数目的评论和弹幕。
本文章中的所有信息（包括但不限于剖析、预测、建议、数据、图表等内容）仅供参考，拓端数据（tecdat）不因文章的全部或部份内容形成的或因本文章而导致的任何损失承当任何责任。
最受欢迎的看法
1.从决策树模型看职工为何辞职
2.R语言基于树的方式：决策树，随机森林
3.python中使用scikit-learn和pandas决策树
4.机器学习：在SAS中运行随机森林数据剖析报告
5.R语言用随机森林和文本挖掘提升民航公司顾客满意度
6.机器学习推进快潮流精准销售时间序列
7.用机器学习辨识不断变化的股市状况——隐马尔可夫模型的应用
8.python机器学习：推荐系统实现（以矩阵分解来协同过滤）
9.python中用pytorch机器学习分类预测建行顾客流失
