近年来,电影艺术已经深入大众的学习娱乐生活中。电影市场每一年都会经历大起大落的票房战争,有些影片能够从观众挑剔的审美观众脱颖而出,有些即时请了高流量的明星却依然收获惨淡的票房,不得不说的是,或许是因为近两年票房整体的不尽如人意。电影制作方与影评媒体的矛盾不断地被摆在大众面前,似乎一些电影票房失利,直接因素就是由于观众的执白影评导致的。随着社交媒体的兴起,电影评论的发布者不再局限于电影研究员或专家学者,各大电影评分类网站、影评类自媒体、观众本身迅速占据舆论的风口浪尖,或是为喜欢的影片发生或是提出尖锐的批评。影评对于电影市场票房到底有多大影响力,以及能从影评中挖掘出多少有价值的信息服务于电影的票房预测,这是本文主要探究的问题。本文从构建多关系主题模型开始,将短影评中涉及的所有电影关注点挖掘出来。另一方面,利用已有的数据训练情感分类的LSTM模型。将短影评汇聚利用人名识别算法提取所有主创的短句,然后利用与训练的情感分类模型对这些短句提取情感特征。将所提取的正负面情感占比的变化情况作为特征加入到预测模型之中,利用生命周期构建多阶段的电影票房预测模型。最后得出结论,在首周使用非线性的SVR模型而接下去的周次使用Lasso模型做票房预测的工作。本文的主要究工作可以概括为以下几个方面:(1)使用主题建模的手段,将影评过滤后提取特定词语组成的主题对象,创建这些对象的属性概念,将评价的关注点以一种主题的形式展现出来,结合影评短文本的特征提出一种多关系主题模型MRTM,实验分析结果表明其有效提高短文本挖掘的主题质量。(2)在传统的口碑、主创等电影本身因素的分析上加入了情感特征,使用基于LSTM的情感分析模型量化主创的情感倾向和变化,这些信息以电影外部特征的形式丰富特征构造过程,旨在分析观众的观感情感态度上的变化和给后续票房预测工作提供有力的变量特征支持。(3)结合电影生命周期的特点,提出一种阶段性的电影票房预测模型和衡量动态变化的主创影响力的方法。结合实验分析,本文最终给出的策略是针对票房预测问题的不同阶段使用不同的预测模型,具体来说,在首映周使用非线性SVR预测方法,在后续周使用Lasso模型。这种方案能有效提高票房预测的精确度和可解释性。