大数据下音乐广播电台内容优化研究

摘要：借助2003年的广播发展契机，音乐广播扬长避短，发挥自己的优势，从类型化广播的发展中脱颖而出，经历了十年的发展与壮大。伴随着互联网的深度发展，特别是各类移动终端的普及应用，新媒体为受众提供了海量的视听内容与接受形式，传统广播电台特有的伴随性优势被逐渐弱化，传统广播面临新的挑战。同时，网络“大数据”成为当今社会炙手可热的词汇，人们深切体会到大数据给生活带来的巨大影响。音乐歌曲作为音乐广播类节目的灵魂主题，其发展随着网络大数据的出现也在发生着巨大的变化。本文从网络大数据挖掘分析的角度，在保持传统音乐广播播放形式原汁原味的前提下，对其节目内播放歌曲的内容进行优化分析，使其更贴合当前社会环境下大众的口味。

关键词：音乐广播;大数据;数据分析;类型化

一、音乐广播发展历程及现状

在与新兴媒体的抗争中，广播借助车轮经济扬长避短，发挥自己的优势，实现了传统媒体的突围。音乐广播就是广播在媒介激烈竞争环境下艰难复兴中出现的频道“类型化”的产物。而随着网络技术的不断发展，各类移动终端的普及应用，人们获取信息内容的方式日趋多样化，无论是从传播方式、传播速度、还是传播内容等方面，网络音乐平台更贴近时下的生活方式，音乐广播的推广性和引导性被逐渐削弱。社交网络和微博的崛起标志着人类社会进入自媒体时代，人们不仅可以在线听音乐，而且能够与自己的亲人朋友分享音乐，发表听音乐的感受，从而对其他人的音乐选择产生影响。音乐广播面临着再次冲击，急需与新技术相结合，实现自身的再次复兴。

二、音乐广播电台音乐资源大数据分析条件成熟

（一）音乐广播电台多平台搭建完成，需要大数据帮助优化内容

对于传统媒体来说，移动互联网和大数据为其提供了更多的转型可能与机会。国内部分音乐广播电台开始主动出击，利用互联网，特别是移动互联网和大数据理念与手段改造自身，细分与聚合内容，多元拓展渠道，努力向全媒体转型。微电台、手机广播、网络广播等网络多平台的搭建与运营，为传统电台的转型做好了基础工作。利用大数据手段分析、预测时下流行，进一步优化广播内容，成为各大电台要进行的下一个主要工作。

（二）海量音乐资源需要大数据分析技术

随着大数据技术的出现，以及音乐数据本身的特点，使得互联网音乐也产生了一次发展变革。QQ音乐、百度音乐、虾米音乐、网易云音乐等众多音乐平台在迎合各类移动终端的发展，利用大数据技术不断提升自身服务内容、品质与资源。在这样的大环境下，每天产生的音乐数据以及音乐相关数据以TB级不断上升。通过设计好的大数据计算模型，对大量相关数据进行分析，可以制造很多奇迹。大数据在音乐广播电台中的应用也是新媒体和传统媒体在融合过程中共享网络技术发展带来的一种成果，给音乐广播电台注入了“大数据”元素。

三、音乐广播电台音乐资源大数据分析

（一）大数据收集

数据分析，必然需要收集对应的数据。本文主要针对音乐的网络数据分析，将分析结果作用于音乐电台。一方面需要被动获取电台自身的数据，以及影响电台收听的相关数据;另一方面需要主动收集电台所需音乐的相关数据。因此需要收集两方面的数据：

1.收集音乐电台的自身数据

不同的音乐电台都有其自身的特征，听众定位、节目内容特点、现有电台曲库、主要覆盖区域等。只有了解了每个音乐电台的自身特点，才能将音乐大数据分析的结果与不同音乐电台准确匹配。

2.收集所有音乐的相关网络数据

确定好数据挖掘的数据源，利用大数据网络挖掘技术收集每首歌曲的歌手信息、歌曲实时热度、评论、听众信息（年龄、性别、所在地等）、关联歌曲等，只要是与该歌曲有关的数据全部收集整理。所有音乐相关数据需要不断获取实时数据，只有实时的、真实的数据才能得出准备的分析预测结果。

（二）大数据统计整理

获取到的数据都是零散的杂乱的数字或文字，只有将其通过专业化的数据统计软件加以整理，才能为数据分析和预测等方案解决工作做前期准备。

1.统计整理音乐广播电台现有数据。音乐广播电台从类型化电台中脱颖而出，拥有其独特风格。通过收集电台的所有相关数据，并将其分析整理成可视化图表，直观表现出电台特征。如：电台歌曲的详细统计、电台特点的详细统计等。

2.歌曲相关网络信息统计。歌曲作为音乐广播的灵魂，其包含的相关数据也是分析工作的重中之重。收集到的歌曲相关信息，将统计出下面内容作为数据分析的前期准备。

（1）每首歌曲实时热度值

（2）歌手热度相关数据统计

（3）每首歌曲的听众评论

（4）每首歌曲的听众属性特征（年龄、性别、所在地等）

（5）每首歌曲的关联歌曲

（三）大数据分析

用适当的统计方法对收集来的大量数据进行分析，加以汇总和理解并消化，以求最大化的开发数据的功能，发挥数据的作用。要将收集到的大量的音乐相关数据进行分析，以求获取其有用的信息和他们所代表的含义，需要建立专门的大数据分析模型，才能将超过现有软硬件环境计算能力的大数据及时准确处理。 1.分析音乐广播电台现有数据

针对音乐广播电台现有数据进行被动分析，对现有资源进行优化。

（1）利用特征分析，结合电台的现有曲库内容，分析出音乐电台歌曲选择的特点，并分析出其中的不足，为优化电台曲库做基础准备。

（2）利用聚类分析，将音乐广播电台过去的节目安排内容、节目收听率和当时对节目内容可能产生影响的相关因素（如天气、季节、时间等）进行统计分析，找出其中的影响关系模型，为后续节目内容安排做参考依据。

（3）利用回归分析，结合音乐广播节目中植入的广告与节目内容本身特点，分析出节目中植入广告的合理性，并给出相关合理建议。以求不同时间段、不同节目内植入广告的转化率最大化，最终提升音乐广播电台的影响力与收入。

2.歌曲热度值融合分析

收集统计每首歌曲在多个不同音乐平台上的相关数据，将这些数据统计出来，利用合适的融合算法，将所有歌曲热度值融合为新的热度值，用来表达一首歌曲在时下受大众关注的真实情况，融合计算结果将做为此次数据分析的数据基础。本融合算法借鉴了英国统计学家和遗传学家费希尔（RonaldAylmerFisher）的随机对照实验，数据源的平台数量越多、差异越大、听众越多，其结果越无限接近真实情况。

3.歌手热度分析

音乐电台在选歌时，歌手的受欢迎程度也是重点参考项。听众在听广播的同时也希望能从广播中获取一些时下流行趋势的信息，哪个歌手最近比较火等。从大数据分析技术层面，收集歌手以及其歌曲的大量相关信息，将其作用于分析模型，得出最终结果用以解决这一问题。

4.歌曲热度值分析

将多个网络音乐平台的数据通过融合统计，获取一个更广泛、更接近全部人群的热度排行分析。将历史热度排行，某一月、某一周或者某一天的热度统计分析排行，可以知道哪些歌曲历史收听量最大，流传最广，哪些歌曲不易流传，哪些歌曲在最近比较流行。这些分析结果都能够很好的作用于音乐广播电台，使其和时下流行趋势相吻合。

5.歌曲关联性分析

听众在收听一首歌曲的时候，还会对另外一首或者几首歌曲感兴趣。这样的类似，类似这样的网络。定义歌曲的关联网络为G（V，E），其中V为节点的集合，每个节点对应一首歌曲，E为关联网络的边的集合，如果两首歌曲相互关联，则在它们之间有一条相互连接的边。根据收集到的关联歌曲列表可以得到歌曲之间的相关性，从而构建歌曲的关联网络G（V，E）。根据构建的关联网络的定义可知，度（相关的曲目数）越大的节点与越多的歌相关联，即这些歌曲能够与其他更多的歌曲相互搭配。通过分析可以得出，这些关联越大的歌曲，越是一些脍炙人口的金曲，关联度越小的歌曲，越是受众比较小，不适合大众传唱的歌曲。关联度的建立，结合歌曲的实时热度值，可以为音乐广播的歌曲编排起到很大的参考作用。

6.歌曲听众评论分析

将大量的歌曲听众评论文本整理分析，提炼出其中的精华，以“词云图”的方式，将最终结果直观呈现，表达一首歌曲在听众人群中的意见反馈。这种从听众中获取的对每首歌曲的意见反馈，可以大大提高音乐广播电台歌曲播放安排的准确性，更能与听众产生共鸣。随着网络文本大数据挖掘技术的不断完善，最终结果将越来越准确直观。

7.听众特征分析

每家音乐广播电台都有自己的听众特征与节目风格，针对的听众从年龄、职业、地域等方面都会有自己的重点把握，因此其节目中播放歌曲的内容肯定需要与之吻合，才能提高收听率。本文尝试着从网络大数据挖掘分析出发，获取歌曲的大量听众特征，利用大数据算法，分析出其特点，将结果作用于音乐广播电台的节目编排。利用这种分析结果，不同的音乐电台会挑选其自己对应人群的歌曲，降低了音乐电台内容的重复率，将好听的节目推送给适合它的听众。

（四）大数据预测

大数据的预测功能是其技术发展最主要的一个目的。一个准确的预测可以帮助你做出英明的决策，避免灾难的发生。

1.歌曲流行度的预测

将融合分析得出的歌曲热度值作出进一步分析，我们会发现有些歌曲的收听量正在不知不觉中呈现上升趋势，有些表面挺热的歌曲收听量正在急速下滑，通过大数据预测分析算法，我们将会得出哪些歌曲会在未来一段时间成为热门歌曲，哪些歌曲会在未来一段时间慢慢淡出人们的视线。流行音乐广播电台可以根据预测结果，更多地使用时下人气旺盛的歌曲，传统音乐广播电台可以更多地使用一些收听量稳定，最近或者将来一段时间热度不会有大起大落的歌曲，将好的音乐全面展示给听众。

2.音乐广播中广告植入的预测

Pandora（美国流行的在线音乐电台）的首席研究师EricBieschke的观点也很有启发性，“为全球人民播放最适合他们的音乐”和“为全球人民插播最适合他们的广告”是一件很相似的事情。在这号称“大数据”的年代，Pandora的思路对于其他流媒体服务商们来说也是一种创收变现的启发。

使用协同过滤算法利用获取的大量网络数据，分析出听众听某一首歌的同时还会喜欢听哪些歌曲，同时听这些歌曲的听众还会有什么样的共同爱好，找到类似口味和风格的广告将其投放。让听众喜欢的歌曲和他喜欢的广告同时出现，这样才会充分利用广播的广告推广价值。

四、大数据分析技术作用于音乐广播电台应注意的问题

数据是分析预测的基础。大数据分析所需的数据通常来自于内部积累产生的数据，以及根据实际情况而补充外部数据源，如行业数据、相关网络数据和其他统计数据。这些外部数据未必全部都是“大数据”，数据中的变量是否有助于有效分析预测出结果才是关键所在。再者该研究模型用于未知变量需要时间来验证，因此大数据预测的使用还是一项挑战，需要一定时间的机器学习过程以及磨合调试，才能真正作用于相关行业领域。此外，大数据分析师必须理解业务需求和业务目标，审视数据，并围绕业务目标建立预测分析规则。

五、结语

新广播所面临的已然不是传统意义上的听众，而是有着多元化需求的用户。在当前信息社会（大数据时代），人类第一次有机会和条件在非常多的领域和非常深入的层次获得和使用全面数据、完整数据和系统数据，获取过去不可能获取的知识，获得过去无法企及的商机。数据的爆炸式增长、广泛可用和巨大数量使得我们急需功能强大和通用的工具，以便从这些海量数据中发现有价值的信息，把这些数据转化成有组织的知识。时代的发展，媒介竞争的激烈环境，对音乐广播的发展是挑战也是机遇。展望未来，竞争越加激烈，受众的多元分化、科技的迅猛发展，是音乐广播发展的趋势。要认清现状、总结经验、合理地利用大数据技术手段，发现并预计未来走向，为音乐广播的生存发展做出合理的规划。