大数据技术在广播电视监测中的应用

引言

大数据技术的出现，以其高容量（Volume）、高速度（Velocity）、多样性（Variety）、低价值密度（Value）和真实性（Veracity）的“5V”特征，为广播电视监测提供了全新的解决方案。通过大数据技术，能够对广播电视全流程产生的数据进行高效收集、整合与深度分析，实现对广播电视内容、信号质量、播出安全以及用户行为等多方面的精准监测，保障广播电视行业的稳定、高质量发展。

1 大数据技术的基本内容

大数据也称海量数据，按照麦肯锡全球研究所的界定，通常将其定义为“一种信息资产与数据集合”，主要由结构化数据、半结构化数据和非结构化数据构成。从规模看，大数据打破了传统数据库软件工具应用界限，并且围绕数据这个中心开展针对大数据技术应用对象的数据采集→数据提取→数据存储→数据关联分析→数据价值挖掘→生成分析报表→报表管理及应用等管理活动。从特点看，大数据的特点集中表现在五大方面，由于这五个方面的英文首写字母均为“V”，因而通常将其称为“5V”，即大量（Volume）、高速（Velocity）、多样（Variety）、低价值密度（Value）、真实性（Veracity）。从应用看，大数据作为一种数字化技术，其关键技术包括：大数据清洗技术、数据存储引擎、大数据挖掘技术、大数据汇总搜索技术等。具体应用时，既包括对某种技术的独立应用，也涉及联合方式下的多技术融合应用。例如，近几年部分广播电视监测中心在 2018 年全面实施“互联网 + ”改革的成果基础上，按照分布式架构对物联网技术、大数据技术、云计算技术进行了协同应用，大幅提高了广播电视监测效果。

2 新时代广播电视监测中存在的问题分析

2.1 业务平台升级转型难度大

我国广播电视监测工作虽起步较晚，但发展速度较快。进入新时代，伴随着数字技术、通信技术、新媒体技术的快速发展及应用，各级广播电视监测中心进行了适时改革。其中，以 2018 年的“互联网 +”改革为契机，全面建立了信息化广播电视监测系统。但是，近几年数字技术的发展日新月异，知识产权创新周期明显缩短，技术成果转化率越来越高。目前使用的广播电视监测系统在硬件配置、软件程序更新与优化方面的速度相对较慢，整体上出现了广播电视监测系统相对滞后的现象。尤其是在前期改革中对硬件设备缺乏统一规划，软件程序版本差异较大，给新时代的业务平台升级转型造成了一定的阻碍。其中，部分监测设备实施技术提升改造后耗电量有所增长，故障发生率明显增多。在这种现状下，亟须借助大数据技术解其燃眉之急，并为业务平台升级转型提供技术支撑。

2.2 监测系统间存在数据壁垒

广播电视监测范围广且维度大，需要建立多个不同监测系统，并且省级广播电视监测部门下辖多个地方广播电视监测平台，但这些监测系统因建设时间、技术与设备的差异，导致监测系统之间缺乏统一管理的数据标准，如未能采取统一的技术标准与数据格式，使得各广播电视监测系统的数据难以共享互通。同时，广播电视监测部门为保护用户隐私与内容版权，监测广播电视节目数据时需要进行加密处理，然而不同监测系统的加密算法与密钥管理机制不统一，导致数据交换与共享难度大，存在数据壁垒。

2.3 监测系统智能化水平偏低

在广播电视监测业务平台转型升级难度较大的前提下，由于新时代广播电视台实施了“多媒融合”，其中的监测数据类型发生了局部变化，一方面，产生了普遍的数据管理问题；另一方面，原来的广播电视监测系统适用性下降，监测系统智能水平相对偏低。这些问题既不利于广播电视监测中心提高监测效率，也阻碍了广播电视监测中心提高监测质量。因而，广播电视监测中心亟须总结前期信息化改革中的积极经验，探索并选择适配的大数据技术，以提高监测系统智能化水平。

3 大数据技术在广播电视监测中的应用策略

3.1 数字监测平台架构设计

数字监测平台架构应包括 4 个层级。一是数据采集层。依托分布式爬虫技术、信号质量与 API 网关等技术实现多源异构数据的接入，从而对广播电视节目、广告等数据进行采集。二是数据存储层。利用PB 级历史数据、实时分析库、媒体文件等技术对数据进行分类存储。三是计算分析层。通过实时监测（Flink）技术、离线分析技术与内容审核技术对采集的广播电视文本数据、图像、场景等数据进行识别与分析，确保这些数据符合监测标准要求。四是应用服务层。监测人员通过可视化引擎、知识图谱等技术将监测的广播电视数据进行可视化处理，自动生成详细的监测报告，使监测人员快速识别异常数据。

3.2 安全播出监测

（1）信号质量监测。通过在广播电视信号传输的各个环节部署传感器，实时采集信号的强度、频率、误码率等参数数据，并利用大数据分析技术对这些数据进行实时监测和分析。当信号出现异常波动、中断等情况时，系统能够迅速发出预警，并通过数据分析定位故障点，为维修人员及时排除故障提供依据，保障广播电视信号的稳定传输和安全播出。（2）网络安全态势感知。随着广播电视与网络技术的深度融合，网络安全风险日益增加。大数据技术可以对广播电视网络中的海量日志数据、流量数据等进行收集和分析，实时感知网络安全态势。通过建立网络安全行为模型，识别异常流量、恶意攻击等网络安全威胁，及时采取防护措施，防止黑客入侵、数据泄露等安全事件的发生，确保广播电视业务的正常运行和用户信息安全。

3.3 用户行为分析

（1）用户收视习惯分析：通过收集用户在广播电视终端上的操作数据，如频道切换记录、节目观看时长、节目收藏等信息，运用大数据分析技术，深入挖掘用户的收视习惯和偏好。例如，分析用户在不同时间段、不同日期的收视行为，了解用户对不同类型节目的喜好程度，为电视台节目编排和内容创作提供数据支持。（2）用户反馈分析：借助大数据技术对用户通过各种渠道反馈的意见、建议和投诉等文本数据进行分析，了解用户对广播电视节目的评价和需求，帮助电视台改进节目质量和服务水平。例如，通过对社交媒体平台上关于某电视台节目的评论数据进行情感分析，判断用户对节目的整体情感倾向是积极、消极还是中性；通过关键词提取技术，挖掘用户反馈中的关键问题和热点话题，为电视台改进节目提供针对性的方向。

结语

综上所述，在新时代广播电视监测系统建设中，加强大数据技术应用具有十分重要的现实意义。由于广播电视监测中面临的困难和挑战主要集中在平台升级、智能化监测、监测业务整合方面，因而建议广播电视监测中心积极汲取近几年实施“互联网 + ”改革中积累的成功经验，继续在技术赋能路径下通过提高大数据技术配置比例，基于大数据管理成果进一步提升广播电视监测系统应用功能，进而产生有利于社会、经济和环境的综合效益。

参考文献

[1] 李国杰 . 大数据与计算模型 [J]. 大数据 ,2024,10(1):9-16.

[2] 梁正霞 . 基于大数据技术的广播电视监测工作研究 [J]. 电视技术 ,2024,48(7):211-214.

[3] 周新权. 砥砺奋斗以技术创新推动广播电视监测监管事业高质量发展[J].广播与电视技术 ,2024,51(4):16-18.