电影起源于19世纪的欧美国家,经过多年的发展,电影已经成为了人们日常娱乐生活中的一部分,不仅丰富了人们的精神世界,更是加深了国际之间的交流。随着互联网时代的到来,电影评分网站也开始快速的发展,电影口碑开始慢慢成为观众是否到院线购票观影的依据。电影评分与票房之间存在着较强的相关性,且关于电影评分的预测,学者们开始引入了较为智能的机器学习算法,因此,有关电影评分的预测具有较高的研究价值。国内最具权威的电影评分网站为豆瓣电影网,该网站基本能代表国内观众对于电影的态度和喜好程度。因此,本文的研究对象为豆瓣电影评分。本文选取2000年1月1日到2019年4月25日上映的电影,利用python软件爬取电影的相关信息,筛选出评论大于1000条的数据。对数据进行处理后,构建演员合作网络,分析演员合作现状,比较不同地区的演员合作网络结构,将由合作网络衍生出的指标作为量化演员变量的依据。再对其余特征进行筛选和处理,并对这些特征与电影评分之间的关系进行初步的探索。再使用梯度渐近回归树对电影评分进行预测,并将其预测结果与使用其他方法预测的结果进行对比。最后,将是否考虑演员合作效应的模型预测结果进行对比,验证演员合作网对于电影评分的预测是否有影响。研究结果表明,整个演员合作网络呈现出低密度、高连通的特征,且具有小世界效应,演员之间的合作还有很大的空间;相比其他地区,中国电影业的演员与周围演员联系更紧密一些,尽管越来越多的港台演员开始往大陆发展,中国电影业的佳片还是不多;使用梯度渐近回归树对电影评分进行预测,要优于决策树、支持向量回归机以及随机森林;在对电影评分进行预测时,将演员合作效应纳入模型,有助于提高模型的预测精度。针对研究结果,本文提出以下三点建议。第一,演员应注重提高自身业务能力,把演员当成一个职业,而不是当成获取名利的手段。第二,电影投资方在进行投资决策时,可以利用梯度渐近回归树对电影评分进行预测,同时在预测时考虑演员合作的效应。第三,电影制片方在制作电影时,需要注重演员的演技、演员之间合作的默契、剧本的内容以及电影的类型。