电影大数据国际文献综述

XINWEN AIHAOZHE (2018-5)

电影大数据国际文献综述

□海阔海翔宇

【摘要】大数据是当前的一种热点技术，在越来越多的科学研究领域得到应用。通过对 国际前沿的电影大数据研究进行梳理，以近5年电影大数据相关的英文论文为样本进行 分析发现，大数据在电影产业得到广泛应用。根据文献的主题域，从票房预测、市场营销、 情感分析、推荐系统、产业经济、文化批评和文本分析方面，总结主要研究成果，为电影研 究带来新的视野。

【关键词】电影；大数据;社交媒体;人工智能

大数据是当前的一种热点技术，对社会影响巨

大。越来越多的科学研究领域应用大数据，甚至一些 人文学科也在开拓数据研究新理路。大数据的核心 是运用计算机技术，通过人们在互联网上形成的分 散的、非结构化的数据，发现传统研究无法实现的规 律。本文试图对国际前沿的电影大数据研究进行梳 理，总结研究成果，尤其是跨学科的理论，为电影研 究带来新的视野。

波德维尔(2000)以“中间层面理论”强调在“实 证主义”思想指导下的电影形式关怀，提倡电影内容 生产的数据思维和计算过程。以互联网、云计算等技 术和平台为核心的大数据，为这种研究路径提供了 新的形式和方法。2013年，公司根据网络用户

牌屋》，获得巨大成功。同年，谷歌的媒体与娱乐业首

席分析师 与 联合发布 了《用谷歌搜索量化电影魔力》。以2012年间

AndreaChenReggiePanaligan

美国上映的近百部电影为研究对象，分析了影片上 映前各时间段里用户对各类电影信息的搜索行为数 据，揭示了电影相关搜索量与电影票房成绩间存在 的强相关性。国内也快速应用了大数据，但主要在票 房监测和预测、营销等方面。

本研究以2013年1月到2018年1月与电影大 数据相关的英文文献为样本，通过对600多篇文献 进行筛选，最终选取76篇作为研究对象。根据文献 的主题域，我们划分为票房预测、市场营销、情感分 析、推荐系统、产业经济、文化批评和文本分析六个 方面。

Netflix

使用习惯，分析出导演、主演和剧情的交集，推出《纸的公民具备基本科学素养[8]，比例之低让我们深感科 普工作的重要性和紧迫性。作为人口大省和农业大 省，河南省科普工作虽然取得了一些新进展和新成 绩，但还存在着上述一系列亟待解决的问题。在当今 媒介快速、深度融合的时代，如何认识河南省科普信 息传播中遇到的问题和困境，进而探寻科普信息传 播的创新路径，促进科普信息传播的发展，着力提高 全民科学素素，这是河南省现阶段发展过程中的一 个重要课题，值得我们在今后的研究中进一步探索。

[本文为2017年度河南省软科学研究计划项目 “媒介融合背景下河南省科普信息传播创新路径研 究”（项目编号院172400410172)的阶段性成果]

[3] Jie Xu，Tao Yang，Ting Cong，Yuanxiang Zeng.Use of Social Net­

working Sites among Chinese and American Researchers 院 A Comparative Study[J].Journal of Scholarly Publishing，2015，47(1):60-76.

[4] 中国科技新闻学会.加强群团建设适应科技传播新变化[M]//詹 正茂.中国科学传播报告(2015—2016).北京:社会科学文献出版社， 2017:30.

[5]黄时新.科学传播导论[M].上海：华东理工大学出版社，2010:17.

[6]别以为屠呦呦获奖跟你无关，河南是疟疾高发区之一，你可能 就属于高危人群！ [EB/0L].http://news.ifeng.com/a/20151007/447535_0.shtml，2015-10-07.

[7] 中国科学传播报告课题组.野十三五”时期中国科学传播现状及 体系构建[M]//詹正茂.中国科学传播报告(2015—2016).北京:社会科学 文献出版社，2017:6.

[8] 贾鹤鹏，范敬群.科学传播:从普及科学到公众参与的挑战[M]//

参考文献：詹正茂.中国科学传播报告(2013—2014).北京:社会科学文献出版社，[1] 邱成利.科技创新不是少数人的事，科普要跟上[EB/OL].http:〃

2014: 97.

opinion.people.com.cn/n1/2016/0602/c1003-28407281.html, 2016-06-02.

(作者为河南大学新闻与传播学院副教授、硕士 [2] 中国科学传播报告课题组十三五”时期中国科学传播现状及

生导师）体系构建[M]//詹正茂.中国科学传播报告(2015—2016).北京:社会科学

文献出版社，2017:5.编校:董方晓

92

学术综述

(2018-5) XINWEN AIHAOZHE

_、票房预测

电影产业的高风险性使企业一直在寻找能够准 确预测收益的方法。然而，由于电影受到非常复杂的 社会因素影响，即使是最有经验的电影人，也往往会 无法准确把握。近年来，成本的不断攀升，前两周即 完成主要票房收入的饱和式发行，家庭影像产品销 售的下降，以及媒介竞争的加剧，都使得电影的风险 日益增强。不过，随着人们互联网应用的深入，通过 信息技术准确预测票房的可能性不断提高。计算机 专业较早地以不同的算法和变量组合，探索票房预 测的规律。

传统票房预测研究将预算、演员、导演、制片人、 故事地点、编剧、上映时间、音乐、上映地点、目标观 众和续集等因素作为变量。而基于大数据的研究则 集中在社交媒体、搜索引擎和营销活动等方面。

人们通过社交媒体，对电影进行评论，即消费者 参与行为( ,简称

)，产生大量数据。许多研究探讨了 与票房 之间的关联性 等对美国电影及社交媒体 活动进行分析，发现和上的与票房总收入是正相关的;然而，在上却没有

对导演、剧情和音乐等的侧重点。

有些研究将视野从单一的国内市场，扩大到国 际市场 等通过对美国电影国内和 国际票房的分析，探讨专家评论和网络口碑()

。KimSangHo

eWOM

eWOM

与票房之间的关系。研究发现，二者对国内票房均有 重要作用，而则对国际票房有影响。[6]有些研究通过建立电影在社交媒体的情感关系 模型，探讨评论者情绪对票房的影响 团队提出上的正面评论可以促进票房增长，

，Twitter

。RuiHuaxia

CEB

Consumerengagementbehavior

CEB

。OhChong

CEB

Twitter

HuangJianxiong

负面评论则阻碍票房增长。对电影销售最强烈的影 响来自于那些直接表达他们想看某部电影的推文。 因为这类意图明确的推文在电影销售上具有双重效 果:作者自己购买行为的直接影响，以及通过替代认 知效应 )或网络口碑对接受者的说 服性间接影响。[7]而有的研究则认为，用户的购买意 向可以带来更准确的电影票房收入预测。

电影的发行渠道及破坏市场秩序的方式对票房 的影响一直受到人们的关注 等对韩国电影

(awarenesseffect

。KimEun

市场的研究表明，较高的票房成绩与较短的播放延 迟对视频点播()市场效果具有显著作用。票房

VOD

同样的效果。他们认为，电影在多个渠道进行社交媒

体传播具有重要意义。[1] 等提出，专 家评论和基于拉动式的用户评论在电影上映的早期 阶段有影响，并且随着时间的推移，影响会逐渐减 小。相比之下，基于推送式的微博平台的评论数量对 以后的票房收入有影响。他们认为，网络意见并不总 是具有说服力和有用性。[2]不过 等似

，BaekHyunmi，Twitter

乎获得了与上述两个研究不同的结果。他们以罗杰 斯的创新扩散理论为框架，对多个社交媒体平台进 行比较，提出在电影上映的初期阶段对票房 收入的影响更大，因为它具有高度的即时性和传播 性。雅虎在电影上映的后期，对电影的影响力更大， 因为它具有很强的说服力。由于博客和包

在网络上的重要性可以用高质量的评价、营销或“点

赞”行为等方面来解释。[8] 通过对

网络上电影分享的研究，探讨该盗版方式

对票房的影响。研究发现，在电影发布后的最初几 周，文件共享与美国票房销售有些许正面的关系，之 后没有任何效果。也就是说，电影分享不会减少票房 收入，因为分享并非电影的替代品。[9]

此外，有的研究将历史性的结构性数据与社交 媒体的非结构性数据结合，进行交叉熵的传播分析; 还有的研究分析维基百科与票房之间的关系。就准 确率而言，通过首映周末的数据分析之后的票房收 入的预测方式最稳定。

BitTorrent

KestutisCerniauskas

二、市场营销

从文献的学科分布来看，市场营销也是电影大 数据研究的一个热点，其中跨媒体整合营销是重要 的一■种路径 等以德国电影市场为

含了大众媒体和人际传播媒体的特点，在最初和后

期阶段对票房收入的影响没有什么不同。咱3]

等聚焦的点赞行为，发现在上映前一 周，点“赞”数量增加1%，则上映周票房增长约0.2%。

Chao

Ding

。SattelbergerFelix

越接近上映日期，提前点“赞”的效果就会变得越强。[4] 等通过对上电影预告片的分

OhSehwan

析发现，电影预告片的分享对电影的票房收入有积 极的影响，在电影上映的早期阶段，这一效果比在后 期阶段更大。[5]有些研究通过对比和两 个系统平台上发布的文章，探讨了不同平台

Twitter

AndroidiOS

例，分析了多平台营销策略，提出应该尽可能多地增

加吸引用户的页面和电影预告片。在不同用户的不 同平台之间，存在着强大的路径依赖关系，并且在不 同的平台之间的可互换性很高，这表明可以开发一 种更简化的监控社交媒体的程序，以减少工作量和 成本。另外，增加预告片的覆盖范围、点赞的次数和 评论可相应减少电影的负面评价。艺术电影应该采

■

，

93

学术综述

XINWEN AIHAOZHE (2018-5)

用更为广泛传播的市场策略。对于大片来说，网络搜 索过程总是先于在线用户交流。因此，在电影上映之 前很久就提供有关电影的信息，这对于增加电影被 网络搜索引擎索引的可能性是至关重要的。咱10]同样，

等通过 和 - 的数据，探讨了整合社会媒体推广策略(­ ) 在宝莱玛电影产业中的成

达到了理想数据的一半

。[l5]Escoffier Nadine等认为，

NandaMadhumita、Twitterintegrativesocialmediastrategy

功作用。社交媒体宣传策略的核心是开发合适的内 容，以匹配社交媒体平台的独特特征。的主 要用途是通过组织有趣的活动来连接观众体平台与观众建立情感联系，通过宣传观众与电影 主角的身份认同是有效的宣传策略。咱11]

等则通过网络口碑（-

)营销与同步营销传播()

，Twitter Hongyu

UGC则主要用来转发来自观众的正面口碑。利用社交媒 Weisfeld-SpolterSuri

WOMWOM

MCe

e

尽管群体智慧在没有社会影响的情况下更准确，但 在社会影响的条件下，其准确性会随着时间的推移 而增加。在电影上映前的评估中，由一小群人评 估产生的群体效应的智慧比少数专家的评估更准 确。因此，应当以群体智慧来获得对电影质量的真实 度量。在市场营销阶段，通过在线群体智慧，以形成 积极的社会媒体影响。咱16暂

有些研究从观众满意度的视角着眼

等认为社交媒体上的评论，即用户生成内容

()，具有天生的不完整性，因为没有抓住不写评

。Chen

论的用户的意见。这些沉默的用户可能与那些说话 的人有系统性的差异。他们通过.用

Blockbustercom

WOM

两种关系营销的作用比较发现，并

不是所有积极的口碑都比有更 积极的影响。因为，并非所有的-

类型都具有相同的说服力和 社区支持。来自2支持的社交网 络的影响力比2更有影响力，尤 其是对多对多的通信来说。因此，的赞助可能会导致信息 源偏差，并影响嵌入在中-

的说服性。[丨2]

MC

户的电影评论调查发现，当用户对电影不满意时，他

们发布评论的平均概率是0.06;而 当用户满意时，则是0.23。因此，我 们在分析时如果忽视沉默的 用户，将导致效果的偏差。咱17暂

UGC

SNS

CC

BCeWOM

三、情感分析

大数据研究中，消费者的情感 往往成为决定事物发展方向的重要 因素。通过人工智能的算法，对电影 评论的情感分析是研究的一个热 点。其中，电影评分与票房和社会影 响力有着紧密联系。

-等比较了陌生

SNSe

有些研究重点考察电影营销的

不同阶段 等以中国电影

。ChenKun

市场为研究对象，探讨社会信息在

人和朋友对用户生成影评的作用。 不同产品发布阶段的竞争效果。他

研究发现，陌生人群评分具有“羊群 们提出，竞争对手的社会观点对产

品的销售很重要。搜索量缓和了社 效应”和差异化行为的双重影响。用 会观点和产品销售之间的影响。当搜索量足够大的 户在评分时会受到之前电影主流评分的影响，跟随主 时候，对手负面观点对票房的作用会相应减少。咱13暂 流，或者故意发表不同言论。相比之下，朋友的评分总

运用马尔可夫决策过程理论是会引发“羊群效应 等提出，评 )，以美国的电影行业数据和发 分的等级与信任、依赖、对用户生成内容的可信性以

人 布的数据，分析在电影质量评价阶段，如何影响人们 及自己与他人的观点一致等因素具有较强的关系。

观看一部电影的决定。研究发现，在电影上映前为了 们倾向于在信息量低的时候倾向于专家，但在信息量 吸引观众而进行大量的广告宣传，可能会适得其反， 大的情况下倾向于用户生成的信息。人们的观点和行 因为那样提高了观众的期望值 等 为意图与他们所暴露的在线评级信息相一致。咱19暂当消

他们可能会怀疑通过对美国不同区域市场的调查发现，电影首映的 费者遇到太多的正面评论时， 等通过对文本挖 表现受到预先发布的博客数量和广告的影响，而放 本身的可信度。因此

LeeYoungJin

YeujunYoon

processtheory(decision Twitter

”。[l8]FlanaginAndrew

。[l4]GopinathShyam

，JongHyupLee

eWOM

映后的表现受到放映后博客的评级和广告的影响。 在整个市场中，广告和博客评级(放映后）的弹性比 博客数量(提前发布)的弹性更大。实际应用中，大部 分电影公司的有限发行策略中，广告和博客数量只

94

掘技术的分析，分析了评论文本情绪的熵。评论文本 中的熵值对与电影票房销售的关系有积极的

eWOM

缓和影响。删除负面评论以提高产品销量可能不会对 在线零售商或相关方有所帮助。咱20暂

学术综述

(2018-5) XINWEN AIHAOZHE

除了评分的情感分析，计算机专业研究的主流 是影评语言的算法，而人文社会科学则通过情绪倾 向探讨其背后的社会现象 等通过多个

德经济。然而，其变革能力关系到他们接受或拒绝

“粉丝参与 )这个工业概念。[23]

互联网协议电视()和在线视频点播()

。OhSanghee

”(fanparticipation

IPTV

VOD

社交媒体平台，试图分析用户与匿名者分享他们的 个人经历、信息和社会支持的动机。他们提出影响分 享动机的10个因素有快乐、自我效能、学习、个人收 获、利他主义、移情、社会参与、社区利益、互惠和声 誉。这些因素都是基于对主要动机理论和模型的评 价来确定社交媒体用户的动机的。不同的信息内容 和不同的目的，不同的社交媒体有不同的动机。咱21暂有 的研究从女性主义视角，认为强势女性担任主角并 不会降低科幻电影的盈利能力。

四、 推荐系统

等视频播放渠道的发展，正在使电影发行转变为一

种同步的结构 等在这些变化的市场条 件下，分析了电影票房、和服务的驱动因

。KaeunSong

IPTVVOD

素，以确立新的发行模式。他们使用弹性理论，考虑 不同的消费者风险，来解释当面对不同程度和风险 类型时，电影消费者如何在不同的电影播放渠道表 现出不同的行为。他们将电影选择的前提分为合理 的（风险对冲）因素，如观众评价、场景熟悉度、明星 效应、出品国家，以及不合理的(诱人的）因素，包括 专家评级和类型。咱24暂

六、 文化批评和文本分析

大数据为商业社会带来了一种重要行为方式，

即智能推荐系统。人们在互联网上产生的信息记录， 使企业可以把广告精准地送达，甚至达到引导消费 的效果。热门电影及其相关信息的推荐成为该领域 的研究热点，主流的研究方法是计算机智能算法。在 线协作电影推荐试图通过在用户或电影中捕捉与他 们历史相似的“邻居”，来帮助用户访问他们喜欢的 电影。然而，由于数据稀疏，随着电影和用户的快速 增长，“邻居”的选择变得越来越困难。

还有一些研究运用混合模型电影推荐系统。

world

在《美国魔力2.0》一■文中 .

指出，魅力分层概念 )， 这个20世纪中期电影、建筑和流行文化耳熟能详的 术语，与当今社交媒体的超级公共世界

)、网络形象建构和市场细分之间的关联性与日

，FriedmanAliceT

(thelayerednotionofglamour

(hyperpublic

Dixon Prem Daniel等提出一■种利用智能手机用户浏

倶增。长期以来，好莱坞形象的创造和消费，光鲜的 广告复制，对于叙事结构、投射、表现和自我评估具 有长期侵入的过程。这与我们的定制化信 息流、“嫉妒 )和其他形式的

”(envy

Instagram

览历史的模式，进行个性化电影推荐。浏览历史和

电影情节摘要被用来生成一个相似的分数。电影获 得的分数被合并到一个潜在的因素模型中，该模型 可以计算潜在的用户和项目特性。这个模型在使用 用户浏览历史的情况下预测用户的评分，并最终获 取与用户喜欢的相似的电影。咱22暂此外，有些研究将 年龄和性别等用户信息作为电影推荐系统的评估 要素。

五、 产业经济

粉丝圈和众筹都被认为是一个空间，被边缘化 的声音可以对流行文化进行变革干预，并对产生它 的媒体行业做出反馈 等认为，尽管

数字传播、接收和监视等文化方式有着重要的相似

之处。越来越多的当代公共空间被塑造成一个用于 生产和消费这些数据的平台；随之而来的是监视技 术的发展和建立可防御的私人空间都给物理和网络 环境的设计者带来了新的挑战。咱25暂此外，有研究者采 用机器学习技术分析电影脚本的叙事流和叙事结 构，从而探讨叙事模式。

七、 结论

从近年来的研究成果来看，大数据在电影产业 得到广泛应用。我们应当借鉴这些观点，为电影研究 提供新的视野和路径。

⑴社交媒体是电影大数据研究的核心。、

、、博客和微博等平台是主要数据来

源。用户在社交媒体的和等行为，为票房

。ScottSuzanne

Twitter

粉丝资助行为有可能催生行业和文化变革的作品，

且在一定程度上影响媒体产业和粉丝文化，但我们 需要审视这种变革干预的局限性，检查粉丝金融、情 感和创新投资各自的活动框架。尽管粉丝性质的项 目具备了在媒介文化上再造生产商和粉丝之间的道

CEBUGCGoogle

■

预测、市场营销、情感分析和智能推荐等研究提供了

巨大的数据支持，使电影产业的预测和营销获得了 更为有效的工具。不过，基于或百度等搜索引 擎平台的研究较少。虽然中国研究者贡献了近20%

，

95

学术综述

XINWEN AIHAOZHE (2018-5)

98-114.的文献。但是，对中国社交媒体的针对性研究，除微 Media Economics.2013,26(2)院

[7]Rui Huaxia,etc.Whose and what chatter matters? The effect of

博外，其他主流平台较少涉及。

tweets on movie sales.Decision Support Systems.2013,55(4)； 863-870.

(2) 雅虎电影社区、等专业电影平 [8 ] Kim Eun, etc.Online movie success in sequential markets.

Blockbuster.com

台也成为数据的重要来源。由于电影经济的特殊性 Telematics and Informatics.2017,34(7)院987-995.

[9] Kestutis Cerniauskas,etc.The effect of film sharing on P2P net­和复杂性，跨平台数据的混合研究，能够在数据和效

works on box office sales.Blekinge Institute of Technology, 2017.果上，提供更好的解决方案。

[10] Sattelberger Felix.Optimising Media Marketing Strategies in a

(3) 从研究地域来看，出现了市场研究。全 Multi-platform World；an Inter-relational Approach to Pre-release Social 球性的互联网平台为此提供了便利。近年来，中国电 影市场是全球最活跃的市场，而且拥有发达的互联 网媒体和数据平台。对于中国电影市场及其与其他

国家的研究，是一个非常有潜力的领域。

(4) 从学科分布来看，计算机专业是电影大数据 研究的主要领域。人文社会科学与计算机等跨学科 结合，成为研究的一个新动向。越来越多的基于大数

据的跨学科研究机构产生。一些利用大数据的文化

和文本研究呈现出新的活力。(5) 从方来看，多变量融合是解决复杂电影 问题的一种有效途径。而将大数据研究纳入经典理 论框架之中，也是一种常见模式。

(6) IPTV与电视和互联网结合的跨媒体研究，VD

目前主

要集中在和0等与电影发行相关的研究 上。对于电影在视频网站的长期性研究，以及消费产 品授权的研究较少。随着人工智能技术的发展，大数

据研究将在这些方面提供更多的突破。

(7) 虽然是大数据研究，但是，当前的研究样本 很多没有与主流商业数据有效对接，数据量比较小。 只有实现即时数据的分析，电影大数据研究才会有

更好的结果。

[本文为国家社科基金重大项目“当代中国文化 国际影响力的生成研究”（项目编号院16ZDA

219);上 海市新闻传播高原学科课题成果]参考文献：

咱 1 ] Oh (>hong 袁 etc.Beyond likes and tweets 院 Consumer engagement

behavior ment. 2017,54(1)and movie 25-37.

box office in social media.Information & Manage­

；[2] Huang Jianxiong,etc.A Temporal Study of the Effects of Online

Opinions ； Information Sources Matter.Journal of Management Information

Systems.2017,34(4)； 1169-1202.

and social [3] media.Electronic Baek Hyunmi,etc.Electronic Commerce Research word-of-m& Applications.2017outh,box office revenue

(22)13-23.

[4] Ding Chao,etc.The Power of The “like”Button:The Impact Social Media on Box Office.Decision Support Systems.2017,94;77-84.

[5] Oh Sehwan,etc.Predictive value of video-sharing behavior； shar­ing of movie trailers and box-office revenue.Internet Research.2017,27 (3)；691-708.[6] Kim Sang Ho,etc.Exploring the Effects of Online Word of Mouth

and Expert Reviews on Theatrical Movies' Box Office Success.Journal of

96

Media Communication and Online Searching.Journal of Media Business

Studies.2015,12(1)；

66-88.[11 ]Nanda Madhumita,etc.Innovation in social media strategy for movie success.Management Decision.2018,56( 1)院233-251.

[12] Weisfeld-Spolter Suri,etc.An Integrative Approach to eWOM

and Marketing Communications.Corporate Communications； An Interna­

tional Journal.2014,19(3)；

260-274.[13] Chen Kun,etc.Information Competition in Product Launch； Evidence from the Movie industry.Electronic Commerce Research & Ap-

plications.2017(26)81-88.

[14] Yeujun Yoon,etc.The Impact of Word of Mouth via Twitter On

Moviegoers' Decisions and Film Revenues ； Revisiting Prospect Theory.

Journal of Advertising Research.2017,57(2)院

144-158.[15] Gopinath Shyam,etc.Blogs,Advertising,and Local-Market Movie Box Office Performance.Management Science.2013, 59(12)； 2635-2654.

[16] Escoffier Nadine,etc.The Wisdom of Crowds in the Movie In-

dustry； Towards New Solutions to Reduce Uncertainties.International

Journal of Arts Management.2015,17(2)院

52-63.[17] Chen Hongyu,etc.De-Biasing the Reporting Bias in Social Media Analytics.Production & Operations Management.2016,25(5) ； 849-865.

[18] Lee Young-Jin,etc.Do I Follow My Friends or The Crowd? In­

formation Cascades in Online Movie Ratings.Management Science.2015,61(9)；2241-2258.

[19 ]Flanagin Andrew, etc.Trusting Expert - versus User-generated Ratings Online.Computers in Human Behavior.2013,29(4) ； 1626-1634.[20] Jong HyupLee, etc.The role of entropy of review text sentiments

on online WOM and movie box office sales.Electronic Commerce Re­search and Applications.2017( 22) 42-52.[21] Oh Sanghee, etc.Motivations for sharing information and social

support in social media.Journal of the Association for Information Science & Technology.2015,66( 10) ；2045-2060.[22] Dixon Prem Daniel R,etc.A latent factor model based movie recommender using smartphone browsing history.International Conference on Research and Innovation in Information Systems.July, 2017 ； 1-6.[23] Scott Suzanne,etc.The moral economy of crowdfunding and the transformative capacity of fan-ancing.New Media & Society.2015,17(2)； 167-182.[24] Kaeun Song,etc.Dissecting movie performance across multiple

distribution channels； An elastic justification theory perspective.Telemat- of ics and Informatics. 2018,35(1) ； 159-167.

[25] Friedman Alice T.American Glamour 2.0；architecture,specta­cle, and social media.Consumption,Markets & Culture.Dec2017,Vol. 20 Issue 6, p575-584.(海阔为上海大学新闻传播学院副教授；海翔宇

为上海大学新闻传播学院硕士生）

编校:赵亮