张捷侃

基于CDIO模式的互动性动画视频受众群体特征挖掘方法

张捷侃

（福州外语外贸学院 艺术与设计学院，福州 350202）

：为了提高对互动性动画视频受众群体特征的检测能力，提出基于CDIO模式的互动性动画视频受众群体特征挖掘方法。首先构建互动性动画视频受众群体大数据分布式采样模型，并结合统计特征分析和样本回归采样方法实现相似度信息融合。然后通过模糊信息匹配和多维空间结构重组方法，实现对互动性动画视频受众群体特征的量化回归分析。基于此，在CDIO模式下，通过分段样本匹配和语义本体融合的方法完成受众群体特征检测和路径规划，从而实现特征提取。仿真结果表明，该方法对互动性动画视频受众群体特征挖掘结果的准确性较高。

CDIO模式；互动性；动画；视频；受众群体；特征挖掘

随着互动性动画视频的发展，对互动性动画视频受众群体的分析受到人们的关注，通过建立互动性动画视频受众群体特征分析模型，结合受众群体的偏好性，进行互动性动画视频受众群体特征挖掘和分析，提高互动性动画视频受众性，研究互动性动画视频受众群体特征提取模型，通过模糊度匹配和特征挖掘的方法，进行互动性动画视频受众群体的多元回归分析，通过参数信息融合和特征分析，实现互动性动画视频受众群体挖掘的寻优控制[1]，提高互动性动画视频受众群体的空间规划能力，相关的互动性动画视频受众群体特征挖掘方法研究在促进互动性动画视频发展和推广方面具有重要意义[2]。

一般来说，对互动性动画视频受众群体特征挖掘是建立在互动性动画视频受众群体的大数据信息采样基础上，通过空间信息融合和特征分解，建立互动性动画视频受众群体特征挖掘的统计分析模型，再结合模糊度特征检测实现互动性动画视频受众群体特征挖掘和自适应推荐，继而建立互动性动画视频受众群体推荐模型，通过统计检测和模糊度跟踪识别，实现互动性动画视频受众群体特征挖掘。

本文提出CDIO模式的互动性动画视频受众群体特征挖掘方法。CDIO由构思（Conceive）、设计（Design）、实现（Implement）和运作（Operate）4个单词的首字母组成。其以产品生命周期为载体，通过主动实践的方式实现特征学习过程[3]。基于此，本研究构建互动性动画视频受众群体大数据分布式采样模型，建立互动性动画视频受众群体特征提取的区域信息融合和大数据分析模型，结合统计特征分析和样本回归采样方法，进行互动性动画视频受众群体特征融合和相似度信息融合，通过CDIO模式识别构建互动性动画视频受众群体特征提取的自适应寻优控制模型，实现互动性动画视频受众群体特征提取和大数据挖掘。最后进行仿真测试分析，展示了本文方法在提高互动性动画视频受众群体特征挖掘能力方面的优越性能。

1 互动性动画视频受众群体信息采样和推荐模型

1.1 互动性动画视频受众群体特征信息采样

为了实现互动性动画视频受众群体特征挖掘和信息检测，建立互动性动画视频受众群体特征分析模型，结合语义信息特征分析和寻优控制方法，进行互动性动画视频受众群体特征信息融合和参数匹配，通过模糊度参数提取方法，进行模糊度融合和特征分解，结合参数寻优控制方法，建立CDIO模式下互动性动画视频受众群体的特征检测和分析模型[4]，得到CDIO模式下互动性动画视频受众群体特征寻优和参数匹配模型为

通过分段样本回归分析方法，得到第个信息采样节点的信息饱和度：

式中，为有效性评估的回归分析方法，之后进行互动性动画视频受众群体的可靠性分析和大数据信息采样。

1.2 互动性动画视频受众群体特征推荐模型

通过互动性动画视频受众群体参数模拟的方法，进行空间线性规划设计，通过多元状态融合的方法，构建互动性动画视频受众分布模糊集，得到互动性动画视频受众群体规划的统计特征分量满足得：

2 互动性动画视频受众群体特征挖掘优化

2.1 互动性动画视频受众群体信息融合

通过模糊信息匹配和多维空间结构重组方法，进行互动性动画视频受众群体特征的量化回归分析，在CDIO模式下，通过分段样本匹配，得到互动性动画视频受众群体分布的二元规划模型为

采用模板匹配方法，实现对互动性动画视频受众群体的稀疏性回归分析，得到互动性动画视频受众群体的特征，构建互动性动画视频受众群体的CDIO二元规划模型，得到互动性动画视频受众群体方法的状态参量分布集描述为

2.2 特征提取和挖掘

在CDIO模式下，通过分段样本匹配和语义本体融合的方法进行互动性动画视频受众群体特征检测和路径规划，结合流程优化控制方法进行互动性动画视频受众群体规划的分布式向量融合，得到互动性动画视频受众群体分布式控制函数为

通过分块融合和线性规划方法，得到互动性动画视频受众群体规划的多维空间参数分布函数为

3 仿真测试分析

为了验证本文方法在实现互动性动画视频受众群体特征提取和信息检测的应用性能，采用Matlab进行仿真测试分析，对CDIO模式下，通过多元回归分析，对互动性动画视频受众群体特征检测的信息长度为1024，互动性动画视频受众群体分布的关联系数为0.25，模糊度匹配系数为0.16，关联度特征匹配系数为0.16，对互动性动画视频受众群体特征检测的描述性统计分析如表1所示。

表1 互动性动画视频受众群体特征挖掘的描述性统计分析结果

根据表1统计结果，进行互动性动画视频受众群体规划和空间参数设计，得到互动性动画视频群体受众的分布点集如图1所示。

根据图1的互动性动画视频群体受众的分布结果，进行互动性动画视频群体受众性特征挖掘，得到挖掘结果如图2所示。

图1 互动性动画视频群体受众的分布点集

图2 互动性动画视频群体受众性特征挖掘结果

分析图2得知，本文方法进行互动性动画视频群体受众性特征挖掘的性聚类性较好，测试互动性动画视频群体受众性特征挖掘的精度，得到对比结果如图3所示，分析图3得知，本文方法进行互动性动画视频群体受众性特征挖掘的精度较高，性能较好，提高了互动性动画视频群体推荐能力。

图3 互动性动画视频群体特征挖掘准确率

4 结束语

研究互动性动画视频受众群体特征提取模型，通过模糊度匹配和特征挖掘的方法，进行互动性动画视频受众群体的多元回归分析，本文提出CDIO模式的互动性动画视频受众群体特征挖掘方法。结合参数寻优控制方法，建立CDIO模式下互动性动画视频受众群体的特征检测和分析模型，通过互动性动画视频受众群体参数模拟的方法，进行空间线性规划设计，采用模板匹配方法，实现对互动性动画视频受众群体的稀疏性回归分析，结合特征提取结果实现互动性动画视频受众群体推荐。分析得知，本文方法进行互动性动画视频受众群体特征挖掘的精度较高，推荐性能较好。

[1] 高沛伦. 弹幕视频特性与受众互动行为探析[J]. 传播与版权，2018(11): 113-114

[2] 邝小洁，冯帆，任儒轩，等. 移动互联网环境下短视频受众中的大学生群体用户画像研究[J]. 科技与创新，2019(21): 67-69

[3] 梁兴柱，周华平. CDIO模式在数据库系统概论教学中的应用[J]. 电脑知识与技术：学术版，2018, 14(24): 109-110

[4] 洪庆，王思尧，赵钦佩，等. 基于弹幕情感分析和聚类算法的视频用户群体分类[J]. 计算机工程与科学，2018, 40(06): 1125-1139

[5] 周诗敏. 大众传播视角下弹幕视频受众分析[J]. 长春师范学院学报：自然科学版，2019, 38(01): 144-146

[6] 田保军，刘爽，房建东. 融合主题信息和卷积神经网络的混合推荐算法[J]. 计算机应用，2020, 40(7): 1901-1907

Interactive animation video audience feature mining method based on CDIO Mode

ZHANG Jie-kan

(School of Art and Design, Fuzhou University of International Studies and Trade, Fuzhou 350202, China)

In order to improve the ability to detect the audience characteristics of interactive animated video, a CDIO-based method for the audience characteristics mining of interactive animated video was proposed. Firstly, the distributed sampling model of interactive animation video audience is constructed, and the similarity information fusion is realized by combining statistical feature analysis and sample regression sampling method. Then through fuzzy information matching and multi-dimensional spatial structure recombination, the quantitative regression analysis of the audience characteristics of interactive animation video is realized. Based on this, in the CDIO mode, feature detection and path planning of audience groups are completed by segmental sample matching and semantic ontology fusion, so as to achieve feature extraction. The simulation results show that this method has a high accuracy in the results of interactive animation video audience feature mining.

CDIO mode；interactivity；animation；video；audience groups；feature mining

2020-09-15

张捷侃（1983-），男，福建福州人，讲师，硕士，主要从事动画、传媒研究，zhangwn8889@126.com。

TP391

A

1007-984X(2021)01-0031-05