通过视频标题分析国人 xp

[vigack]

我从某知名网站获取了大量视频标题，然后通过关键词统计频率，得到了一些有意思的数据，我想可以从中一窥国人的 xp 情况。

文章地址： https://hsingko.github.io/post/2022/11/24/ml-in-china/

对于文末唐卡图的问题：

• 文章里就是原图啊！并没有经过压缩，因为图片生成的过程中就已经进行了模糊化，不然这张图起码 500MB……

[LZSZ]

大大的 X 狗引起不适

[eason1874]

我的印象跟这数据差不多

真实性无从考究，同一个视频隔一段时间又会被换一个标题重新发出来，前年是同事，去年是同学，今年又成了小女友。不过，研究受众偏好，真实性也不重要，角色扮演本身就是为了满足受众偏好，对受众来说角色就是真的

[hover]

期待再分析下老外们的 xp

[Frankcox]

guro 爱好者路过

[hsfzxjy]

“眼镜”还是小众

[Alexonx]

好奇下这是啥网站...俺也想试试

[ArianX]

妙啊

[sleeepyy]

只是统计关键词出现的频率吗？是否应该将对应的视频的播放量也考虑进去呢

[KevinDo2]

标题党过多，甚至还有非本人图片挪用作封面，p 站内容剪辑直接发布。

[GeruzoniAnsasu]

有点意思，期待一手各地区 /国家的对比数据

[JustSong]

图表很漂亮，请问用什么画的呀

[LxExExl]

楼主的博客很有意思，我觉得是时候弄一个 rss 订阅了。v 站上有意思的个人站还是挺多的， 得追踪一下。

[cnrting]

求最后一张原图

[vigack]

@sleeepyy 本来是想做加权的，但是原始播放量数据似乎有问题，越早期的视频热度显示越离谱，不同时间跨度的热度感觉不是线性增加的。
我想越靠近现在的标题的选择本身就已经反映了某种固定的偏好，关键词是有限的，后来的视频上传者们已经找到了某种“热度关键词”，所以不做加权应该就已经能反映问题了。

[vigack]

@JustSong

- 图表用的是 google sheets ，可以自己配置一些美化选项
- 词云用的 python 的 wordcloud 包
- 最后的唐卡图用的是平均色度算法，可以参考这篇文章： https://towardsdatascience.com/how-to-create-a-photo-mosaic-in-python-45c94f6e8308

[vigack]

@cnrting 搜索 西藏唐卡，排 google 第一位的维基图片就是

[ninickck]

瑞斯拜！

[kqij]

身高和露面，想问下这两个数据是怎样来的？其他还能理解，是不是收集标题，提取关键词，再分析词频？

[vigack]

@KevinDo2 所以标题其实是和观众的 xp 强关联的

[HugoChao]

好文共赏

[vigack]

@kqij
我的思路是这样的：
- 视频上传者往往会将露脸作为卖点放在标题中，所以词频占总数比能反应真实情况
- 身高数据也是通过分析标题得来的，但是这里有个问题，并不是所有上传者都会将其放在标题中；所以最后统计出的数据只能反应“本身对身高敏感的观众和上传者”对身高的偏好

[nu11ptr]

最后一张人皮唐卡让我笑出声 要下地狱了

[WOLFRAZOR]

这都能研究，太厉害了

[Williamwang]

好奇，是 91 吗

[quan01994]

emmm,看来我的 XP 还是小众啊。

[Felldeadbird]

牛逼，这都可以进行数据分析。

[retrocode]

果然嗨丝才是王道啊, 占比那么高

[zhangshine]

不应该是视频发布者的 XP 吗？

[vigack]

@zhangshine
视频发布者的动机是为了获得热度与关注，因此标题选择上会尽可能地“标题党”；如果将视频浏览者的注意力当作市场，那么“视频上传标题-热度”这一反馈机制就如同供需关系一样会达到平衡，这个时候标题实际上已经表现的是“消费者”的喜好了。

[wanacry]

xp 是什么

[vigack]

@quan01994 关键词的集合是我拍脑瓜想出来的，因此可能遗漏了一些我不知道的 xp 😂

[walking50w]

@vigack 上传者没有获取反馈的途径， 高浏览量绝对是封面(主要)+内容，绝不可能标题。 所以这个反馈只是上传者的意向。很少能反应观看者。

[EthanCYQ]

@wanacry windows xp (

[lamesbond]

黑丝高跟😍😍😍

[vigack]

@silasamiseaf94
我一向不怎么喜欢绝对化的判断，所以用词不会非常笃定；在我看来上传者和浏览者是有很大重叠部分，有时候观众也会主动参与到制作过程中，所以我所谓的“浏览者”也笼统地包含了上传者。

其次，上传者是有反馈渠道的，那就是视频播放数、留言评论等等；封面图片确实是吸睛的重点，这一点确实没有在分析中提到，但是你可以发现，那些有吸引力的封面往往会在标题中进行表现，比如着装描述、身材描述等等。

最后，浏览者想要的仅仅是千篇一律的往复运动吗？在我看来，他们对“故事”或者说“情节”的需求也很大，而这一点是封面和视频本身无法表现的，只有文字才能做得到。这一点你可以通过观察同样视频是如何通过不同的描述、不同的情节来获得不同的热度中看到。

[dzdh]

我要最后一张图的高清大图

[vigack]

@dzdh
😃你想多了，在生成图片的原理不是简单的拼贴（不然就成了哈勃望远镜了），而是通过模糊像素化得到基础颜色，然后再放置到原图（唐卡）中的恰当位置。文章中的图片并没有经过压缩，就是程序生成的原本内容。

原始封面图共 533MB ，放在一起的时候，里面的内容与其说是能让人愉快，不如说更像是法医鉴定图谱，你不会想要看它们的。

[marc2017]

我想要是抓取 gay porn 的话，最大的关键词绝对是 [直男] 。哈哈哈

[vigack]

@marc2017 😃中文圈貌似没有比较大的视频网站，推上比较多，我常常的关键词大概是直男、体育生、白袜（什么鬼）

[lambdaq]

那个年龄，应该是默认年龄分类吧。。

[AshenOneOrz]

原来是老哥的博客，文章写的真不错

[Tanf]

有意思

[zek]

你分析的是哪个网站

[vigack]

@zek 虽然不能明说，不过中文圈应该就那一个“知名网站”吧……

[shanyuhai123]

感觉是最近的关键词，去年的还不是这样 :doge:

[vigack]

@shanyuhai123 时间到 9 年前为止还是挺均匀的，基本都有 3k+ 左右的数据，但是今年的数据量有 5W+，因此在关键词上可能覆盖了之前的特征。
不过我觉得这和视频“标签化”的趋势有关，之前视频不太多的时候选择也不多，因此不需要怎么弄就有一定的热度；而现在可能拍片的人多了，迎合了短视频的潮流，更喜欢在标题中用直观引起情感反应的词。

现在想想分析视频长度变化趋势也是个有意思的主题，不过抓数据的时候忘了这个字段了....

[daweii]

有意思。
楼主可以考虑把数据放出下载吗。
我也想分析一下。

[ThomasKim]

数据肯定是没啥问题的，光看黑丝跟高跟，再对比下抖音跟 B 站尬舞，就一目了然，只是这部分产业在国内没有相对宽松的创作环境，所以远没有达到上限，要是哪天跟日本的厂商一样有各种分门别类，到时候再统计，估计会比较精彩。

[xinyu98]

有没有女性向的

[jdhao]

可视化工具用的哪个

[hushs]

有没有考虑做个小工具，我想看一下自己的数据。

[hoky]

有意思的尝试。

[redtree]

不错不错

[gwbw]

针对 "关键词的集合是我拍脑瓜想出来的，因此可能遗漏了" 问题，可以考虑用现成的分词工具提取关键词，比如 python 的 jieba 分词

[vigack]

@gwbw
我尝试过通过词性进行分词，但是效果不好，还得自己一个个地添加关键词，如果有这方面现成的词典的话就好了。

[vigack]

@LZSZ 考虑到会引起不适，所以我想了想把那张图删掉了

[woscaizi]

http://www.mediafire.com/file/4m5c54odw29ter2/porn91.zip

[woscaizi]

@woscaizi 我来分享一下之前爬取的一些标题

[cnrting]

@vigack 不是要原版，是要你这里的🐶

[vigack]

@cnrting
文章里就是原图啊，没有经过压缩，右键另存为就可以了。
不过你可能要的是和 #36 一样的图，我已经在 #37 里回答了……

[libaokai]

6

[renhou]

已硬，已收藏，好人一生平安

[adoyle]

从数据分析来研究女性主义，你是懂研究的。

> 我们常常提到物化女性这个概念，但常常是泛泛而谈，没有具体到现实的内涵，这里通过分析自制成人视频者的偏好，可以塑造出某些男性性幻想对象的轮廓。

立意就很好。

看了你的博客其他文章，文笔不错。关注了。

[Asimov01]

有趣有趣，已关注 OP 博客

[liangtao927190]

有意思，感谢老哥

[advicebullet]

[露脸] 真实夫妻 18 岁 XX 师范大学在读 170 高挑长腿黑丝 直叫老公不要停 1 分 20 秒手势验证

根据画像写的标题，找人去拍一个。

[Sivan]

@advicebullet 你是懂 SEO 的

[chanlk]

唐卡来张高清大图啊 (￣▽￣)／

[Vtwoguest]

市场营销做好了,我来解决片源,谁来解决推荐算法,再提供 rss 订阅,来跟我做大做强

[jiujiutang]

最后的图片高清大图吗

[222aa]

老哥看了你的博客，你用的是什么系统哇？看着很舒服哦

[gerorim]

老哥原来的点云图没有删掉，还是 CDN 有缓存？
原来的点云符合期望（指的是概率上的数学期望）
https://hsingko.github.io/post/2022/11/24/ml-in-china/images/2022-11-24_11-56-02_wordcloud.png

[vigack]

@gerorim 感谢提醒，忘了 hugo 生成内容的时候默认不会进行删除。
确实原来的图更能反应真实情况，不过过滤掉那些直白的描述并不会对其他方面的关键词造成影响。

[vigack]

@222aa
hugo + paperMod 主题，加了一点自己的修改

[neofacenew]

@vigack 想问下用的是什么中文字体？

[vigack]

@neofacenew

霞鹜文楷:https://github.com/lxgw/LxgwWenKai

[CRight]

词云替换后了就不真实了，

[222aa]

@vigack 不是博客主题哇，是你用的什么操作系统。看博客无意间看到了您的系统 ui 看着挺舒服的。

[Mrxx]

窥一斑而知全豹纹内衣

[vigack]

@222aa

桌面是 gnome ,系统是 fedora

[daimiaopeng]

@advicebullet 你是懂大数据的

[2NUT]

社科专业 再深入 扩充下 其实可以作为毕业论文了

[abirdcanfly]

大佬的视角偏颇太大! 这大概只是男性用户的数据, 并非国人, 请注意中国并非只有男人, 女人也有 xy; 本人也是男性, 只是指出不同观点, 并无冒犯之意

[222aa]

@vigack 好勒

[vigack]

@abirdcanfly
因为“国男”已经成了带有情绪化的词了，所以这里我用的是“国人”，不过这篇分析确实特指男性。
另外在中文圈，就我所知，还从来没见过女性向的视频；分析女性 xp 也是个很有趣的主题，可惜我目前并没有发现什么值得研究的数据来源。

[8XIQz5SCHX1U6c7s]

好活👍

[NESeeker]

操千曲而后晓声
观千剑而后识器
楼主好活，当代《文心雕龙》

[hanbing135]

感觉 lz 可以进行视频内容检测做深度分析

[mmdsun]

furry 控路过。
这让我想起前段时间我的圈内都再转 涂满你 xp 的小瓶子的调查卡片。