题目：Understanding the Users and Videos by Mining a Novel Danmu Dataset

作者：Guangyi Lv, Kun Zhang, Le Wu, Enhong Chen, Tong Xu, Qi Liu,  and Weidong He

发表：IEEE TRANSACTIONS ON BIG DATA,  2022

---

切入点：弹幕交流是否有助于更好的用户行为建模或视频分析?

解决方案：建立大数据集，并进行基本分析

一、数据集生成

针对这一问题，本文通过引入一个从bilibili平台收集的弹幕数据集，对用户和视频进行了初步的分析尝试。该数据集包含1.7TB的视频和弹幕，涉及8个视频类别，790万弹幕记录和480万视频帧。

数据集下载网址：“http://bigdata.ustc.edu.cn/dataset/Danmus”

对数据集的预处理包括：弹幕文本翻译、字体颜色字段缩减、视频关键帧抽取等。

二、对数据集的统计分析

1.弹幕句子长度情况：短

 2.弹幕数随播放时间的分布：先多后少

 3.颜色：白为默认，红色最多

 4~5、弹幕类型与表情使用情况：

三、对数据集的语义分析

 1.style与主题，作者利用Gensim Tool在每个类别中生成danmus评论的主题信息，结果如表1：

2.特有表达。本文方法基于词向量，结果如表2：

根据这些现象可以得出结论，当表达特定的意义或特定的对象时，弹幕包含了更多的领域知识，具有更精确的意义。

3.弹幕语义嵌入（Semantic Embedding）

处理文本数据时常用Bag-Of-Word或TF-IDF作为特征，它们通常擅长对长文档建模。弹幕可以被看作是一种特殊类型的短文本。此外，由于深度学习技术在许多NLP任务中被广泛采用，本文对弹幕进行深度语义嵌入(deep semantic embedding).得到弹幕语义表达后，完成聚类分析，结果如图7

蓝色：完结撒花 红色：233333，哈哈哈哈哈哈 粉色：后宫 紫色：flag，插旗

5.弹幕与用户行为，评分公式如下：

结果表3：

 四、数据集的潜在应用

为进一步展示弹幕数据集的潜在价值，展示一些工作，包括用户行为建模、细粒度视频理解和标记、视频情节生成和图像增强语义理解。对于每个应用程序，还提出了其可能的未来发展方向。如图11所示。