IT瘾电影推荐

AI视频生成卷出新高度：高清电影画质免费无限玩，号称“史上最强”

Sat, 14 Oct 2023 13:36:07 CST

丰色发自凹非寺

量子位 | 公众号 QbitAI

号称“史上最强大的视频生成AI”诞生了。

效果真的还不赖：

一句提示词就能生成，主打一个高清、16:9电影画质。

超现实主义、动漫、奇幻……各种风格全包揽。

最重要的是，免费！加入Discord社区立马就能玩。

它的打造者也很“嚣张”：

知道《星际迷航》中的全息甲板吗？我们的使命就是复刻它。

知道Stable Diffusion、DALL-E或Midjourney吗？我们就是它们的视频翻版！

实测“史上最强”视频生成AI

这个AI名叫 Moonvalley。

目前处于Beta阶段，全免费使用。

进入它的Discord社区（大约是在8月下旬开设），随便一翻，不乏各种有趣作品。

视频时长在1s-6s不等。

有“蝙蝠侠在雨中潜入阿卡姆疯人院潮湿的街道”：

有“耀眼的光笼罩着一个人，现场一片混乱，充满电弧和漩涡能量”：

也有“一个粉蓝色头发戴墨镜，正在跳舞的25岁女子”：

我们也实测了一下。

一共有6个子区，随便选择一个进入。

在聊天框中输入 “/create”，系统就会自动给你格式，提示你填写提示词、风格和时长。

其中 风格有5种可选：从漫画到现实主义，也包括3D动画。

时长则分三档，等待时间从2分钟到12分钟不等。

我们浅浅来一个：

Cells dividing viewed through a microscope（通过显微镜观察细胞分裂），现实主义，中等长度。

结果如约在4分钟后出来了：

和想象的不太一样，但视觉效果还可以。

再来：

In a laboratory filled with equipment, a robot and a human actively shake hands（在一个布满器械的实验室中，一个机器人和一个人类主动握手）。

个人认为，意思准确get到了，但手部刻画在视频领域果然也是个难题。

而总的来看，网友们对Moonvalley的评价不一。

有人觉得比同类竞品runway和pika质量要高一些。

也有人指出了一些似乎是“通病”的东西，比如：

不完全符合提示词。

有很多动漫效果似乎“套路”都比较一致。

但不少人确实都表示，被一些高质量的效果惊到了。

团队介绍

Moonvalley并非“横空出世”。

据介绍，团队此前就已在AIGC领域小有年头，但主要是做文本和图像生成，代表作品是Draft.co。

这是一个从博客到广告文案都包揽的文字AI，按字收费，每字0.1美元（一篇1000字稿子约100美元）。

据称，该产品在两年内帮助公司积累了“数千名用户和数百万经常性收入”。

现在，团队转身视频领域，是因为 “看到市场上文本到视频的进展还不够快”，于是投入所有的时间和资源，Moonvalley诞生了。

Moonvalley的最终目标是：

世界上第一个完全可控的人工智能视频生成模型。

至于团队成员，比较神秘， 全部远程工作。

融资方面，他们已成功拿到3600万美元，同时，正在广募机器学习工程师。

体验地址：
https://discord.com/invite/moonvalley
主页：
https://moonvalley.ai/
参考链接：
[1]https://twitter.com/xiaohuggg/status/1710947745660645514?s=46&t=HBob6gxh8cOfZTIbieKeSA
[2]https://twitter.com/ycombinator/status/1709644560702587151
[3]https://www.sir-apfelot.de/en/moonvalley-ai-54882/

— 完 —

日本新电影中的爱情：低欲望时代，激情与倦怠的二元对立 - 文化 - 新京报网

Sun, 31 May 2020 07:45:51 CST

撰文｜黄依琳

近年来，日本出品了不少表现青年人爱情纠葛的电影，并且这些不同的作品之间存在着某种互相对照、解答、补充，甚至是情绪蔓延的互文。

比如今泉力哉以片名《爱情是什么》提出的诘问，其他导演可以直接用片名来回答。对于过眠症和躁郁症的女孩来说，爱情是病症的解药，《只有爱能让我生存》；在少男少女飘忽不定的选择障碍中爱情不过是《热情花招》；在夏日函馆的两个男生眼里，爱情是《你的鸟儿会唱歌》；又或者女孩疲于在长相相似的挚爱和替代者之间游离，爱情恐怕就是《睡着也好，醒来也罢》

（《夜以继日》直译）

。

爱情和理性相互拒斥，这些电影往往诉诸于人的内心活动，情绪的千变万化，一瞬间的感觉以及触发的联想，却也难得真切、本能、自然。有趣的是，这些向观众坦白真心的以爱为名，事实上是从恋爱生活的各个细枝末节和蛛丝马迹里，寻找质疑和解构爱情的证据。人与社会，人与他人，人与自己的关系越发显得复杂微妙，充满着谜题。爱情对于我们的生命体验来说，是积极还是消极的意义。不管爱情的结果是成功还是失败，我们是否从中获取了修正未来的方式。抛出疑问的同时，这些电影也试着给出解答。

无处可逃中匮乏的激情

一边“3·11”地震的遗留伤痕还困扰着当下社会，另一边东京奥运会的到来给日本经济同时带来了压力和期盼。在多重矛盾的夹缝中：安保法案、高自杀率、少子高龄化、核泄漏辐射等社会问题频出。

一般来说，对社会困境的表现往往会成为某种意识形态的演绎，但在近年来的日本电影创作中，很多作者似乎脱离了历史和社会的重负，不把个人纳入政治与历史的视野，不试图代表“人民的良心”，反而更关注人与人之间微妙的情感关系。

当下的日本社会，人们的关系普遍变得疏离，大多数青年选择降低欲望，自我隔离。日本管理学家、“策略先生”大前研一在《低欲望社会》中描写当代日本年轻族群：“现今的日本社会，青年人正在自发性地降低欲望，同时孤独与压抑成为弥漫日本社会的情绪。”

《低欲望社会： “丧失大志时代”的新·国富论》，作者：[日]大前研一，译者：姜建强，版本：上海译文出版社2018年10月

这种情绪在电影中的表达首先是对空间的描绘。空间作为人类精神需求的反映，从来不是独立存在的。人们的情感并不依附于某个具体的意象，往往存在于整个空间所营造的情境。

《热情花招》由少女漫画改编，讲述一位高中女生在四个爱慕她的少年中游离的故事。电影在东京的靠海区域豊洲拍摄。为了迎接东京奥运会，豊洲在短短的十年间变成了高楼林立，兼具温泉、酒店、美食街等观光设施的商业旅游区。导演山户结夕与摄影师交涉，要把这里拍成森林的感觉，无处不在的高级公寓群落给少男少女的内心带来强烈的压抑感。少女数次坐在公寓的楼梯间为了爱情垂头丧气，镜头运动跟随着她的心境在公寓间游荡，扭曲建筑四周的超广角镜头仰拍，高楼仿佛随时倒塌。

《热情花招》剧照，豊洲的高级公寓。

不安的背后是当代人欲望的匮乏，对所居住的空间无所期待。城市与城市之间越来越趋向于同质化，这些电影在东京、大阪、京都等不同城市拍摄，却很难分辨其中的差别，即便是拍摄《你的鸟儿会唱歌》的北海道小城市函馆，高速发展的经济也将它与大城市的区别消除。从一座城市到另一座城市，人们原本充满着向往，却陡然发现日本的各个角落都一样，无处可逃。只能在无法获取存在感的角落里游荡，激情消耗，疲惫不堪。

仿佛是一种镜像关系，生存空间的紧张可以通过私人关系的紧张折射出来。滨口龙介的《夜以继日》对这种无所遁逃的窘境做了一个精妙的比喻。女主角朝子在大阪的牛肠茂雄摄影展上与麦相遇，一见钟情。相处几个月后，麦失踪了再也没有回来。两年后朝子在东京遇见了与麦长相极为相似的亮平，还是在牛肠茂雄摄影展上，亮平与朝子的关系更进一步。五年后，亮平与朝子已经开始安稳的生活，麦的突然出现打破了宁静的日常。不管在大阪还是东京，麦的身影始终如同鬼魅萦绕在朝子生活的上空，宿命一般无处可逃。

后来朝子坐上了麦的车，汽车行驶在忽明忽暗的灯光中，没有具体明确的缘由，朝子的激情突然褪去，她离开了麦，回到大阪寻找亮平。如果说激情的褪去是《夜以继日》的结尾，那么在其他电影中，激情的匮乏往往伴随着故事的开端。年轻人的行为很少由激情驱动，没有激情的爱情，也变成可有可无的存在。

《你的鸟儿会唱歌》的开始，在街头游荡的“我”，默念120下终于等到了喜欢的女孩出现。他们相约稍晚在酒吧约会。令人意想不到的是“我”回到家中倒头就睡，半夜醒来错过了约会，他也不过是随口说了一句脏话，并没有放在心上。又或者在《只有爱能让我生存》里，女主角宁子抑郁、嗜睡、暴躁，连准时上班也无法做到。她的男朋友每天买便当回家安静地吃饭，对宁子的任何情绪毫无反应，伤心也好，责骂也罢，只会回答“嗯”。

《只有爱能让我生存》剧照

更有甚者，对恋爱抱有激情的行为会引来他人的嗤之以鼻。在消费主义至上的商品社会，感性层面的谈情说爱被当做是对工作效率的阻碍。《爱情是什么》中，一切以喜欢的男生为中心的女孩小照，为了与对方长时间待在一起故意旷工。她的同事无法理解：“现在很少有人为了男人而被炒鱿鱼了，人们都没法和自己的意中人相遇，这样世界才能运转得起来啊”。

既然爱情无法唤醒激情，人们为何还要寻找恋爱的对象呢？在《冰淇淋与雨声》中，导演松居大悟试图做出解释。女主角的弟弟青木佑认为任何负面情绪都可以依靠时间来解决，生活不过是吃饭、洗澡、呼吸、睡觉。他可以在酒吧里和朋友畅饮，虽然没有女朋友，但一切都很好，心情一百分的美妙。一旦聚会结束，突然袭来的空虚感便会令他感觉非常糟糕，胸口疼，呼吸也不顺畅。他突然想要谈恋爱，要抓住哪怕是稍纵即逝的情感。青木佑的恋爱冲动不过是利用他人来帮助填补自身的匮乏与空虚，这样并不能获得幸福，也不是真正的爱情。

自恋主体的爱情花招

韩炳哲在他的著作《爱欲之死》中提出，真正的爱欲是消除和牺牲自我，肯定他者。所谓的他者，指的是恋爱关系中，与自我截然不同又兼具不可抵挡诱惑力的另一半。当下无差别成为主流，一切归于整齐划一的秩序之中，他者与自我的差异越来越无法感知与认可。为了获得他者的爱，自我所作出的献祭式爱情更难寻觅，更多的形态是以自我牺牲为表象的自恋。关于爱情的一切显得虚伪、冒失、痛苦又尴尬。

《爱情是什么》提出了值得探讨的一个问题：两性关系中言听计从的一方是被支配者，还是自愿且具有自我意识的主动牺牲者。女孩小照始终没有获得喜欢的男生小守的爱，在这段关系中她舍弃了工作，极度地忘我投入，满足对方所有的要求。甚至为了见到小守，在小守喜欢的女生与小照约见时，她会主动联系小守赴会。在主流的叙事中，悲剧人物会经历一些波折，最后认清自己，走出阴霾，完成人物成长。这部电影并非如此，细节的铺陈为的是给观众展现小照行为背后的逻辑，而她本人并未意识到自己的问题。在影片结尾，她还是那个“病入膏肓”的痴情人，并接受了不肯改变的自己。

《爱情是什么》海报

粗看起来，小照对待爱情的态度的确符合韩炳哲所提出的“爱欲会激发一种自愿的忘我和自我牺牲“。小照与小守的关系，也契合“与他者的非对称关系”，即对方与自我永远存在着不可弥合的差异。小守一日清晨起床去上班，他一边收拾一边给小照介绍自己在杂志社的工作。小照睁大眼睛听着，还是不免走神，小守的声音渐渐模糊远去。她与他不在一个频道，她也不曾为了与小守靠近而努力进入他的世界。她所做的所有事情不过是不去上班，等待小守的电话，频繁地重游两人曾去过的地方，沉浸在自我的世界里。小照迷恋的与其说是小守，不如说是自己在恋爱中的状态，到底是一种以自我满足为目的的自恋。

影片的倒数第二场戏，小照与小守挥手告别，挎着新认识的帅哥胳膊离开。最后一场戏却来了一个情节上的大反转，小照站在动物园里，给大象喂食。她的内心独白这样说：“我完成了33岁的小守没能完成的愿望，现在我终于可以成为他了”。原来，她已经彻底不与现实中的小守产生关联，自顾自地进入了一个更加封闭更加忘我的全新自恋境界。

自我牺牲的爱欲不是以自我的消亡作为终点。在坠入爱河忘记自我之后，是自我变强的感觉，通过痴恋对方来重塑人生，找回一个更好的自我。虽然小照通过绝对的忘我、接纳和付出，完成了对自我的否定，也重新建立起了自身的主体性，换来的却是一个停滞甚至倒退的自我。爱情是两个人共同对抗庸常，互相成就彼此的存在。《一个陌生女人的来信》中“爱是我自己的事，与你无关”的表达和《爱情是什么》的结局一样，终归是不太健康的爱情观。

《你的鸟儿会唱歌》中的“我”对爱情的态度截然相反。“我”是一个活在当下的“草食男”。所谓的“草食男”，源自日本劳动局的一项社会调查，调查发现当今日本青年普遍存在一种现象，他们对社交没有兴趣，工作上没有上进心，觉得恋爱婚姻不过如此。主人公“我”就是这样，他随意旷工，对喜欢的女孩佐知子也毫不上心。佐知子与他的舍友静雄互道晚安，一起去卡拉OK，后来发展到两人独自去山间野营几日不归，“我”也不曾提出异议。

佐知子几经试探，经历了短暂的失望和踟蹰，决定放弃“我”，与静雄开始恋爱关系。“我”的第一反应是“我为你高兴”，依然一副事不关己的样子。不过在最后一幕，人物转变的弧光似乎刚刚出现，“我”出乎意料地跑到已经走远的佐知子面前，第一次也是唯一一次表现出明确的爱慕，佐知子的反应极为复杂，不过并非正面的肯定，既像是“我不相信你，别再为难我了”，又像是“我知道了，可是已经晚了”。“我”在面对佐知子时的支支吾吾和反反复复，的确没有理由让一再失望的佐知子信赖。他冲动的表白很难说清是厌恶损失，还是自恋式的自我满足。不论是何种形态，“我”都难以与牺牲自我的爱欲沾上边。或许在第二天，这个活在疲怠社会中的“草食男”就会厌恶麻烦的爱情关系，为前一天的表白后悔。

《你的鸟儿会唱歌》剧照，最后一个镜头定格在佐知子多义的表情中

佐知子的爱情是另一种形态的自恋，她被爱情的圈套与花招迷惑，游走在几个男人之间，爱谁看起来都没什么区别。爱情从某种意义上来说，是客观存在的，它天生充满着各种不确定，不基于人们的努力和能力而存在。包含着快乐，也孕育着痛苦。在当下信息发达的社会，人们可以轻易地同时与多位异性建立情感关系，也可以方便地转换和回避分离带来的痛苦，只剩下积极的满足与享用。尽管佐知子曾寄希望于“我”，但是当她感觉到痛苦时，可以很迅速地转移目标到静雄身上。甚至在与“我”发生关系的同时，佐知子还做着书店店长的情人。

《夜以继日》中的女孩朝子也面临着相似的困境，她在两个长相酷似的男人中左右徘徊，做出逃避痛苦的最终选择后，真爱也荡然无存。导演滨口龙介师承《咒怨》系列的导演黑泽清，用奇怪的配乐、昏暗的色调，辅以演员僵化的表情共同营造出诡异的气氛。这种诡异更像是朝子在回溯这段记忆的口吻，因为爱情的幻影无时无刻不在左右她、干扰她、影响她的选择，所以在讲述的过程中必然支支吾吾、胆战心惊、语焉不详。

如果说影片的前面三分之二，朝子面对的选择题是一见钟情和日久生情之间的二元对立。那么，在朝子当着现任的面跟着前任出逃，而后又“不知廉耻”地回到现任身边时，朝子所要解决的是另一个问题。幻梦戳破，信任崩塌，不再以爱为名欺骗现任后，应该基于什么样的态度生活下去。面对眼前的生活，朝子自我宽恕 “这条河真脏，但是很美”。即便已经道歉，朝子的脸上也不曾有过谢罪的表情。爱情的彻底消亡已经昭然若揭，剩下的不过是极端自私的相互依赖，各取所需而已。

《夜以继日》剧照，全片时常笼罩在鬼魅的气氛之下

承认无能为力，向死而生

爱可以战胜一切，在主流的日本电影里，总是看到这样的表述。但是和生命的无常一样，爱情充满着不确定。在日本新生代的电影中，往往有着类似契科夫小说的结尾：失望、犹豫、彷徨、痛苦，却又包含着些许的希望。

从同名职场剧改编的电影版《从宫本到你》并非是原剧的简单压缩，它抽离了表现宫本大学毕业后遇到的各种具体的社会困境，转而展现在原剧中较弱的情感线。然而，在宫本与婧子恋爱为主轴的电影版中，宫本个人的境遇与社会的冲突作为副线，依然可以通过这段关系的起承转合而得到较为恰当的展现。甚至彼此之间产生了关系紧密的对照，是不可或缺的一部分。

在社会角色上，宫本是一个唯唯诺诺的失败者，面对上司和球队教练的无理要求和谩骂，宫本总是点头哈腰，极尽奉承。但是在心爱的女人婧子面前，当她的前男友闯入房间打闹时，宫本可以大声喊出“让我来保护你”的豪言壮语。可是当真正的危机到来，球队教练的儿子拓马强奸婧子，醉酒的宫本倒在旁边的床上呼呼大睡。为了复仇，宫本在社会角色上的孱弱立刻改变，他几次找到拓马格斗，每次都是赤手空拳，毫不畏惧对方的实力，似乎抱着必死的决心。即便牙齿漏风，手臂被折断，也不曾畏惧。可是宫本却无法再直视婧子，他一再逃避，躲起来哭哭啼啼。

宫本对待拓马和女友前后态度的翻转，折射出一个可悲的事实。他人的尊重，工作的成功，社会地位的提高等，彰显的是个人能力，这些或许可以通过不懈的努力获得。而面对爱情，人们恰恰是无能为力的。宫本的呐喊“你是我的女人”、“让我来保护你”，也不过是无法经受住实践检验的漂亮话。因为爱无法与能力等同，不可把握，不可占有。

宫本最后凭借几近动物性的疯狂激情在与拓马的搏斗中终于取得胜利。他骑着自行车将负伤的拓马载到婧子面前，靖子脸上没有感动，她讥讽地反问“所以是什么意思呢？和我有任何关系吗？”宫本也因此不得不承认“我所做的一切都是为了自己”。但以爱情为名的自私，也不见得与爱情不能共处。宫本想要和婧子一起获得幸福的心意是真实的，否则他也不会毅然选择与婧子结婚，甚至共同抚养不知谁是父亲的孩子。也恰恰是宫本不再说大话，坦承自己的无能为力，才动摇了屡次受到伤害的婧子。他们之间终于建立起了平等的关系。共同经历的苦难，成为幸福的契机。

《从宫本到你》剧照，热血、激情、暴戾，这部电影开辟了一种兽性的新暴力美学。

拳头、血液、泪水、嘶吼，宫本的复仇格斗极尽残暴。特别是最后一次，断指、踢裆、撕扯私处、挂在楼梯栏杆上悬空厮打等暴戾场面，辅以血腥特写和长时间的注视，将痛感和不适传递给观众。可以说，宫本的胜利得益于穿越死亡的激情，向死而生的决心和力量，指向爱与死的永恒命题。

《夜空总有最大密度的蓝色》更贴切地展现了当今社会爱与死相互依存的关系。美香是医院的护士，每天都可见到死亡。慎二的工友工作休息时被汽车碾死，另一位工友身体孱弱，疾病缠身。电视新闻也笼罩在死亡的阴霾中，流浪汉、厌世者、吸毒人士，不断有人因为各种理由死亡。活下来的其他人则沉浸在担心无法苟活的焦虑中，毫无生命力。

在事物的消极面，往往存在着积极面得以活跃的基础。萨德曾说：“要想了解死亡是怎么回事，没有把它和纵情欢愉的念头联系在一起更合适的了”。美香和慎二的爱情接近于个体认识到对生死无能为力后，展现出的向死而生的决心。爱欲把他们从自恋的牢狱中解救出来。他们看清了徒劳的生命和没有过往激情的男女关系，竭尽全力投入新的爱之激情中。慎二穿越大半个东京，奔跑着去见美香，言语尽管笨拙，但是爱的渴望彰显着生命的律动。它穿越了生与死，末世与救赎，在东京最大密度的忧虑蓝色中，得以烂漫。

《夜空总有最大密度的蓝色》剧照

健康的爱情需要包容猝不及防的失败、痛苦的体验和无能为力的失落感，承认这些消极性才能在未来的生活中找到定位。《热情花招》里成田茜对着犹豫不决的爱慕对象大方承认：“我知道无法保护你，但是此刻就是想陪在你身边”。又如《只有爱能让我生存》的结尾，躁郁症的宁子与男友倾诉感激之情流下眼泪“或许只有一瞬间，我们理解了彼此，可是那一瞬间，让我觉得真正地活着”。爱情的无能为力是客观存在的，倾诉也好呐喊也罢，都解决不了根本问题，也许明早生活照旧，但把那一瞬间当作永恒的动力，本来就是对未来的忠诚、肯定和期待。因为舍此，别无他法。

作者丨黄依琳

编辑丨余雅琴；张婷

校对丨危卓

[推广] 揭秘|朋友圈月入过万的低价电影票出票的秘密

Tue, 21 May 2019 01:10:50 CST

你以为大家都知道的事，起码有一亿人不知道，分享一下网上动辄 188 所谓的低价电影票出票技术是怎么回事

起初是我手里有两张万达皮卡丘的电影票，我嫌远就买了别的电影院看了，就想着转卖出去，不知道多少钱合适，就去咸鱼参考一下价格，然后在鱼塘对低价电影票产生了兴趣

根据我之前薅羊毛的经验，我猜测就是利用信息差，优惠券变现的手段，但是在鱼塘里看到很多免费收代理，188 收徒，传授出票技术，轻松月入过万，我就纳闷了这里面有什么高深的技术？

身为程序员，肯定是先搜索一番了，于是我搜索了「低价电影票」「低价电影票出票」，结果如「图 1 」「图 2 」

一个个帖子浏览过去没有什么实际内容，全是告诉你出票技术很容易，月入过万很容易，各种交易图，还有一张淘宝图「图 3 」

去淘宝搜索了一下，确实销量很高，看到前三的店铺销量都是过万的，说明需求确实存在，不了解的人可能就心动了，然后文章结尾各种引流到微信、公众号、淘宝店、QQ 群的

根据帖子肯定是没什么结果了，我想到之前我学习薅羊毛就是用潜水 QQ 群的方式的，就去加了几个低价电影票的 QQ 群，进群观察一段时间应该是外围群，每天都有人发招代理，收徒的消息，偶尔夹杂曝光骗子的

有一次一个收徒的人谈起出票技术说到有本事的去百度云搜索，没本事的就花钱买，我平时不用百度云，都忘记这个了，然后用云盘精灵去搜索，结果如「图 4 」，应该没错了，然后打开一看，一句卧槽涌上心头，妥妥的智商税

基本的原理就是我猜想的那样，一方想要优惠券变现，一方想要低价买票，双方不认识，就出现了一个中间人帮忙牵线。

这里面主要的问题在于优惠券 / 低价票的来源，根据我掌握的资料，主要有以下几个方面：

△ APP 活动

各种第三方购票 APP 以及影院官方 APP 之间为了扩大市场发布的活动，比如新用户礼包、首单立减、节日抽奖、凑单满减、好友砍价、预售活动等

羊毛党可以结合接码平台批量参与活动

△ 会员福利

分为影城会员和购票渠道会员，前者针对自家影院比如万达，后者针对自家渠道比如淘票票会员。主要的活动有会员价、会员日特惠、会员礼包等

△ 观影卡

这个是在咸鱼上看到的，有个平台叫「嗨影」，宣称全国首个无限观影平台，最低 2 元观影，模式是售卖次数卡，100 次卡每次 2 张票 1999 元

但是网上查询据说涉嫌欺诈，大多数影院用不了，我也看不出这种模式的盈利点，也有人说是庞氏骗局，还有一个叫做「粒体映像」，不了解

△ 企业福利

典型的是银行的信用卡活动，比如中信的 9.9 观影、招商最近的周末半价观影，不过都有名额需要抢。另外就是企业一些福利，比如生日送电影票，很多国企也经常送电影票

△ 供货商

这个需要有人脉资源，认识内部人员可以拿到最低价的票，一般人没渠道

作为中间人，有两种模式：

一种是拿到客户订单之后找有资源的人代下，赚取差价，这种需要有一个代下的群，可以买，也可以自己引流做，优点是无风险，缺点是出票慢，用户体验差；

另一种模式是自己批量购买优惠券，然后自己直接代下，购买渠道有某宝、咸鱼、发卡平台、做代理，优点是出票快，用户体验好，缺点是囤货有风险。

这里面有一些坑做过的人才会知道，比如猫眼限制异地出票，也就是说只能购买当前所在城市，安卓可以通过修改定位破解，iOS 无解。有些券限制账号使用次数，比如一个账号只能使用同类型一张，所以有券还不行，还需要账号。

更全面的图文教程见公众号「扉言飞语」

原文链接： https://mp.weixin.qq.com/s/_-HEkEmHbukEu0r07yuXzA

《复联 4》热潮过后，电影院可能会付出更沉重的代价

Sat, 11 May 2019 10:00:39 CST

截至发稿前，《复联 4》全球票房达到 23 亿美元，超越《阿凡达》登上影史票房冠军宝座只是时间问题。Box Office Pro 预计《复联 4》将会在 5 月 24 日 -27 日达成这一里程碑。

▲《复联 4》全球票房已经超越《泰坦尼克号》

这两周你走进国内任何一家电影院，几乎过半的排片都给了《复联 4》，拓普智库数据显示，上映至今《复联 4》的平均排片占比达到了 71%，在过去的五一假期《复联 4》独占了超过八成的票房。

刚刚拿下柏林电影节影帝的王景春在微博上炮轰《复联 4》高排片，似乎在为自己主演的另一部同样长达 3 小时的电影鸣不平。

但这不会妨碍全国一万多家影院，像救命稻草一样抓住《复联 4》，不惜摇身一变成为「官方黄牛」，让《复联 4》成为中国影史有数据统计以来平均票价最高的电影。

然而就算《复联 4》的场次几乎场场爆满，各大影院也未必笑得出来。《复联 4》国内票房已经达到 40 亿，位列中国影史第三，场均收入达到 1300 元也已经不低了，但要知道 2015 年这个数字能达到七八千。

《复联 4》的火爆只是暂时掩盖了中国电影市场的疲软。根据艺恩数据，在票价平均上涨 3 元的背景下，今年第一季度全国电影票房仍同比下降 8%，观影人次比去年同期减少了 8123 万，同比下降 14.5%，平均上座率也只有 12%。

爱奇艺 CEO 龚宇透露，「大概一半的电影院是亏损的」，去年中国银幕数量已经突破 60000 块，然而留给观众的却是越来越贵的电影票，越来越少可看的影片……

既然如此，我们为什么还需要这么多的电影院呢？

过度扩张的中国电影院

实际上，就算是《复联 4》这样难得一见的爆款影片，目前总观影人次也只有 8000 万。相比之下，比票房不如自己的《红海行动》少了 1200 多万，票房 31 亿的《我不是药神》的观影人次也达到了 8900 万。

观影人次少了，票房却更多了，显然是得益于高票价的助推。但如果不是《复联 4》这样量级的影片，有多少观众能接受暴涨几倍的票价，当《复联 4》的热潮过去，影院反而可能要为这次加价付出更沉重的代价。

▲凌晨 3 点半的首映场依旧爆满

与电影市场的冷清极不相称的是，中国的电影院数量仍在高速增长。根据拓普数据，进入 2019 年以来，新增影院 511 家，新增银幕 3250 个，中国银幕数量达到 63329 块，是全球电影银幕最多的国家。

6 万多块银幕是什么概念？根据美国电影协会的数据，2018 年全球的银幕总数不到 19 万块，也就是说中国就占了近三成。

然而中国电影票房和观影人数的增长，远不足以支撑这么高速增长的银幕数量。去年全国新增银幕 9303 块，同比增长 18.3%，但电影票房增幅只有 9%，观影人次的增长也才 5.9%。

更为不正常的是，在今年第一季度电影票房和观影人次均出现负增长的情况下，银幕数量的增速却超过了去年。

在 2010 年中国只有约 1680 家影院和 4720 块银幕，随后《阿凡达》的上映激活了整个电影市场。中国的电影银幕数量开始爆发式增长，从 2011 到 2018 年间增长了 6 倍多。

▲《阿凡达》剧照

不可否认，这让更多观众走进电影院，对过去几年中国电影票房的增长提供了硬件支持。但当电影院这种重资产运营的产业像共享单车一样过度扩张，也酝酿了一个即将破灭的泡沫。

拓普电影智库数据显示，仅去年前 10 个月，倒闭或停业整改的电影院就有近 300 家，差不多每天都有一家影院关门。此外 8 月-11 月没有票房入账的影院多达 2100 家，而全年票房不足 10 万的影院也有 719 家。

这也侧面证明了「一半电影院在亏损」的说法，去年拥有 320 多影院的星美院线关闭了旗下 140 家影院，还被曝出拖欠员工工资和店租，甚至因为拖欠进口片票房分账款，被停掉了《复联 3》的密钥，导致许多买了票的观众无法进场观影。

全国一万多家电影院让《战狼 2》、《复联 4》这样的影片更加容易打破票房纪录，但也加剧了分流效应，让每一家电影院越来越难盈利。

2018 年全国新开了 1121 家电影院，随之而来的单影院年均票房下降 20.3 万，而票房超过 3000 万的影院数量从 2017 年的 157 家暴跌至 112 家，2016 年还有单店票房过亿的影院，去年连 8000 万票房的影院都找不到了。

北京一家电影院的负责人在接受媒体采访时曾表示「一个影院至少要覆盖到 30 万人口才有可能盈利」，但如今一个商圈内拥有多家电影院的情况已经不新鲜。

▲广州北京路的青宫影城

比如在广州的天河路商圈，在体育中心方圆不到一公里的范围内就有三家电影院。而在北京路商圈的电影院更多达 8 家，这种高密度的影院布局已经违反市场规律。

一二线城市的市场逐渐饱和之后，各大院线开始向大举向三四线城市拓展。然而在今年观影人数下降的大潮中，三四五线城市观影人次的跌幅已经远超一线城市。

▲ 2017 与 2019 年（截至 3 月 10 日）各线城市人次同比、票房同比、票价同比. 图片来自：毒眸

事实上除了春节返乡潮带来的短暂繁荣，不少三四线城市的影院在平时门庭冷落，「春节票房抵一年」的影院比比皆是。有媒体报道在山西临汾这个人口只有 400 多万的四线城市，影院数量却多达 36 家，春节之后进入电影院基本都能包场，部分影院场均观影人次甚至不足 1 人。

可似乎没什么阻挡中国电影院继续快速扩张，去年 12 月国家电影局下发《关于加快电影院建设，促进电影市场繁荣发展的意见》称，计划到 2020 年全国加入城市电影院线的电影院银幕总数达到 80000 块以上。

如果按照人口比例而言，这个数字并不多，2017 年中国人均观影次数为 1.17 ，比起美国的 3.8 次还有 3 倍多增长空间，美国电影银幕覆盖率是 0.65 万人/块，中国要达到这个标准至少要 12 万块银幕数量。

但脱离国情来看数据是无法反映真实情况的，电影院产能过剩、单银幕盈利下降、众多影院面临倒闭是目前中国电影院的现实，而中美观众在经济状况、观影习惯等方面也不可以直接相提并论。

更加要命的是，电影院过度扩张的负面效应，也开始严重影响普通观众的体验。

影院供过于求，电影票却越来越贵，能看的电影越来越少

根据经济学的常识，商品供过于求将进入买方市场，消费者应该能从中受益，享受到更实惠的价格，更多样的选择，更优质的服务……

从目前的观影人次和影院上座率来看，可以说中国电影院已经供过于求，然而观众得到的并不是更好的服务，而是越来越贵的电影票。

在《复联 4》的票价疯涨之前，很多人已经在春节期间感受到票价的飞涨，其中二三四线的涨价最为明显。拓普数据显示，部分三四线大年初一的票价涨幅甚至超过了 80% 甚至是翻倍。

在春节大幅涨价对于很多影院来说也是无奈之举，正如上文提到的，三四线城市平时的上座率少的可怜，春节是为数不多能大赚一笔的机会，因此影院不惜大幅涨价，甚至瞒报发行方来偷票房。

但服务质量没有随着票价上涨而提升，根据毒眸报道，春节期间有电影院通过掐掉片尾曲或彩蛋来缩短场次间隔，甚至出现超售的情况，连过道上也坐满了观众。

随着今年电影院经营情况愈加严峻，到了《复联 4》票价暴涨得更加疯狂，IMAX 影厅 200-500 的票价十分普遍，创下了中国影史最高的平均票价，更过分的是部分影院对买到低价票的观众强制退票，然后再加价出售，就像一位微博用户说的：

这次复联四给我的感觉，从漫威影业到各影院，充满干完这一票就跑的气息。

在北美等海外市场，基本不存在这种因为某部电影或个别场次而区别定价的情况。中国影院将部分热门档期和影片一次性榨干的行为，无疑是在竭泽而渔，也把越来越多观众推离电影院。

过去依靠大力度票补虽然让更多观众走进电影院，助推了票房增长，但其实并没有真正培养起中国观众的观影习惯，一旦票价上涨就「原形毕露」，过去几个月观影人次的大幅下滑已经说明了一些问题。

观众不愿意进电影院，除了票价越来越高，就是没有好的电影。不过什么才是好的电影？目前能在影院卖座的主要还是娱乐性强的电影，盈利困难的影院自然会把更多排片给这样的电影，像《地久天长》这样叫好不叫座的影片能停留在影院的时间也越来越短。

久而久之，观众在电影院的选择越来越少，像《复联 4》这样占据八成多排片的情况也只会更多

当越来越多制片方觉得在电影院难以收回成本，就会缩短窗口期，尽快放在流媒体渠道上发行。比如最近上映的《风中有朵雨做的云》和《过春天》，都是口碑不错的文艺片，但在院线上映不到半个月就在视频网站上线。

在 2018 年，拿到龙标（上映许可）却选择在流媒体上首发的电影就有 146 部，比 2017 年增长了 370%，电影发行方对流媒体渠道越来越重视。

随着视频网站付费订阅会员数量的快速增长，电影在流媒体上获得的收入不见得会比院线少。比如周星驰的《新喜剧之王》，上映 35 天就登上了国内几家主流视频网站，网络付费收入甚至超过了该片的院线票房。

根据爱奇艺 CEO 龚宇曾提到的一组数据，2018 年网络视频内容付费的市场规模是 536.5 亿，已经接近去年不计服务费的票房收入（566 亿）。

如果一部电影在院线上映两三周就在视频网站上线，必定会有更多观众选择不进入电影院观看，而越来越高的电影票价又加速了这个趋势，上座率越来越低，影院数量却越来越多，影院为了维持收入抓住机会就捞一把，不惜损害观众体验……

这样便形成了一个恶性循环，让影院对于观众的吸引力越来越弱。

在过去几年影院的快速扩张中，有很多像恒大、华润这样的跨界投资者进场，这也导致了国内院线比较分散，与美国 4 大院线占据超过 50% 的市场份额相比，中国前 10 的院线一共才占到 68.7%，第一的万达院线也只有 13.6%。

由此带来的后果是，影院无法合理地安排影院布局，导致一个区域同时出现多家不同品牌的电影院。同时影院很难发展会员体系，一来影院票价普遍比购票平台贵不少，二来过于分散的院线难以让观众对某个品牌产生粘性。

在美国，因为连锁经营的影院是主流，院线非常注重培养会员体系，推出各种个性化服务和优惠计划来培养会员的忠诚度，这些会员除了给院线带来票房收入，也通过消费爆米花等餐饮贡献了大量非票房收入。

除了票房收入，美国院线的第二大收入来源就是食品和饮料，这些收入不需要和片方分成，而且利润率高达 80% 以上，实际上才是这些院线最主要的利润来源，而国内院线在方面还远远做不到。

不过没有观众，会员体系和非票房收入也是空谈。如果中国电影院不把扩张的速度降下来，甚至是死掉一大批影院，恐怕很难打破目前的恶性循环，也很难有心思来提升服务，沉下心来培养观众的观影习惯。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博

在电影技术方面，美国究竟比中国先进多久？

Sat, 13 Apr 2019 00:00:00 CST

既然题主提到了《独立日》，里面最震撼我的就是外星人毁灭地球地标建筑的镜头，所以在这里，我想说一说电影里涉及的 物理特效技术，让我们从发展史的角度看看中美之间的差距。

在90年代甚至之前的美国电影里，我们能够 肉眼可见的差距往往在于 灾难片、 科幻片、 怪兽片等超越现实的题材类型。虽然当时根本没有win98，更没有如今炫目乱真的CG特效，但 从电影诞生开始，美国的好莱坞电影人们就已经开始在以微缩模型为代表的物理特效领域探索了。

在没有任何电脑辅助的情况下，好莱坞依然拍出了令当时人们惊呼的特效镜头，这种在技术领域敢于冒险与探索的精神在时间的积累下推动着好莱坞的快速发展，慢慢拉开了与世界电影的距离。

由于物理特效技术包含的细分内容较多，以下我用电影里运用的 微缩模型来举例：

起源（1900s~1960s）

微缩模型的使用几乎与电影创作本身一样古老，它的诞生源于人们对于不存在事物的想象，对于难以拍摄的镜头的需求，常常在电影拍摄中用来代替被摄的实际对象，以达到以假乱真的效果。

1902年，法国导演 乔治·梅里爱的 《月球旅行记》可以算作电影史上首部运用微缩模型拍摄的电影。

" width="760">《月球旅行记》中的月球模型呈现效果

这部基于凡尔纳小说《从地球到月球》改编的电影在“世界电影导演第一人”兼魔术师的梅里爱的诠释下，创造了一个直径约40厘米的半立体的月球世界。虽然 当时对于电影的理解还是局限在银幕戏剧的二维平面阶段，但重要的是他开创了一个全新的奇幻世界，引导着后来的电影在疯狂的想象中冲破现实的桎梏。

1927年由 弗里茨·朗导演的 《大都会》作为一部真正意义上的科幻电影，呈现出的反乌托邦世界中 装饰艺术风格的城市也是通过微缩模型进行搭建的。

" width="520">模型师们正在为《大都会》搭建迷你城市

1933年版本的黑白电影 《金刚》则首次将动态模型引入电影世界，用橡胶、动物毛发和真人表演结合，从而呈现出了影史中经典的一幕，开创了 动作特技片的先河。

" width="1453">《金刚》在微缩模型物理特效技术上取得了标志性的突破

1954年日本特摄片 《哥斯拉》在《金刚》的基础上更进一步，更深深地影响了日本之后怪兽片的热潮。哥斯拉也成为了日本国际流行文化象征之一。

" width="1200">《哥斯拉》为《奥特曼》系列的拍摄技术奠定了基础

迈向新的高度（1960s~1990s）

斯坦利·库布里克被认为是有史以来最伟大的电影制作人之一，他于1968年搬上银幕的 《2001太空漫游》也被认为是影史最具影响力的电影之一。影片中呈现出的人类对于未来与宇宙的想象至今仍为人津津乐道。 其中出现的飞船与登陆舱画面则全部由微缩模型在强光灯下拍摄，以此来模拟宇宙中太阳照射的光线，而影片制作的高质量和对于时代的前瞻性也为其赢得了四项奥斯卡提名并拿下最佳视效奖，并不断被后来的科幻电影所致敬。

" width="1142">《2001太空漫游》中的飞船模型

1977年 乔治·卢卡斯的 《星球大战》中为了呈现出太空史诗的壮阔，也大量地使用了逼真的微缩模型，并且 将模型做旧以呈现出使用的痕迹，呈现出一种前所未有的美学风格，而当时制作这些模型的ILM（工业光魔）也成为如今世界顶级的特效公司。

" width="1024">《星球大战》里略带僵硬感的微缩模型定格特效 " width="650">《星球大战》中的灭星者号飞船模型

1979年由 雷德利·斯科特执导的 《异形》则对动态模型做出了新的突破，胶状光滑的质感、尖牙利齿与机车形态结合而成的黑色怪物也成了无数小孩的童年阴影。1982年上映的 《银翼杀手》则通过微缩模型创造了一个 赛博朋克质感的未来洛杉矶，为未来许多科幻电影的气氛设定了独特的基调。

" width="2000">模型师在为《银翼杀手》的赛博朋克城市做涂装 " width="1024">虽然是模型，但也要达到电影镜头级的细节量

在1993年之前，电影对于虚构世界的呈现受到微缩模型的规模和真实度限制，而 斯蒂芬·斯皮尔伯格的 《侏罗纪公园》则突破了这一边界， 通过CGI技术结合微缩模型创造出了一个无可挑剔的恐龙王国。

" width="630">斯坦·温斯顿工作室为《侏罗纪公园》做的物理特效

自此开始，尽管仍然被大量电影使用，并且也创造出了众多留名影史的作品，但微缩模型开始慢慢地被CG取代，很多情况下只有在需要还原爆炸、水体等计算机难以模拟计算的场景时制作人才会回到这一传统。

" width="500">模型师在制作被外星人炸毁前的白宫

微缩模型使用的另一个典型便是1996年的 《独立日》，受到当时技术上的限制，难以模拟出真实的爆炸场景和火焰，于是制作团队依照现有的白宫制作了一个1.5米高、5米宽的模型， 以CG与实体模型结合的方式呈现出爆炸的场景，并且达到了在当时算是非常不错的效果。

" width="600">《独立日》里外星人攻击下的爆炸效果

1997年 詹姆斯·卡梅隆的 《泰坦尼克号》的出现绝对算是电影史上最重要的事件之一，而站在技术最前沿的卡梅隆在当时也受制于CGI技术的不成熟，选择用微缩模型来拍摄泰坦尼克号的断裂场景。此外，剧组还根据原船厂的图纸还原出真实比例的模型用于模拟海面上的拍摄。

" width="550">《泰坦尼克号》中的船舱断裂镜头 " width="539">从图中可以看到泰坦尼克号1:20的模型大小 " width="729">在《泰坦尼克号》微缩模型拍摄中的细节

2001年 《哈利波特》开启的魔幻宇宙中 霍格沃茨城堡也是用微缩模型拍摄并后期合成的，如此庞大奢侈的模型建设所花费的制作人员总时间合计达到了惊人的74年。

" width="964">在镜头中合成的霍格沃茨城堡镜头 " width="964">搭建在摄影棚中的霍格沃茨模型

2001年-2003年 彼得·杰克逊的 《指环王》三部曲毫无疑问将电影中微缩模型的制作带至了巅峰。为了将托尔金奇幻的中土世界带入银幕，彼得·杰克逊使用了大量的微缩模型拍摄，后期再与其他场景合成， 像米那斯提力斯王城、诸王之门、瑞文戴尔等场景等鸟瞰其实都是微缩模型。

" width="564">黑魔王索伦管辖的魔多塔模型 " width="650">壮阔雄伟的米那斯提力斯王城模型

对真实质感的追求（2000s至今）

尽管CG技术的发展在不断地刷新观众的预期，微缩模型在新世纪仍有不少的追随者，手工制作的魅力依然不减。当代电影人中要数对真实场景与微缩模型执念最深的，莫过于导演 克里斯托弗·诺兰。

" width="550">罪恶黑暗的哥谭市

在2008年的 《蝙蝠侠：侠影之谜》中，哥谭市的还原就利用了微缩模型，而后的列车撞击场景也使用了大比例模型。2010年的 《盗梦空间》中雪地堡垒、2014年的 《星际穿越》中的飞船、2018年的 《登月第一人》中的火箭等等，都是非常成功的运用微缩模型来实现视觉效果的电影作品。

" width="400">诺兰蝙蝠侠系列中用模型模拟的列车撞击镜头 " width="1200">《盗梦空间》中的雪地堡垒模型 " width="1200">《盗梦空间》中雪地堡垒的模型爆炸场面 " width="755">《星际穿越》中永恒号空间站微缩模型

除了诺兰之外，2017年上映的 《银翼杀手2049》作为《银翼杀手》的续篇， 出于致敬和还原真实的城市质感的目的，也运用了大量的微缩模型拍摄，通过3D软件雕刻出板材之后再手工上色，在合适的灯光与镜头运动下，呈现出的效果还甚于CG。

" width="600">《银翼杀手2049》中的大型微缩模型场景

微缩模型制作技术流传了上百年依旧在被当今电影人使用，便足以说明它有着独特的魅力。而纵观微缩模型在电影发展中的历史，可以发现它与 幻想题材创作紧密联系在一起，为这些人类想象力边界所达的地方创造了具体的视觉形象。

尽管在CGI技术日新月异的今天已经很少有导演愿意完全回归这一老派的制作方式，但微缩模型仍然在不断地给人们带来超乎真实的视觉体验，为特效创作贡献着自己独特的力量。

感谢陈勇同鞋对本回答的贡献，以下附上整理后的 微缩模型分类及发展索引：

拍摄功能类

- 静态类微缩模型

- 动态类微缩模型

- 破坏类微缩模型

辅助功能类

- 概念设计辅助模型

- 拍摄示意辅助模型

电影中出现的模型场景

起源：

- 1902年《月球旅行记》

- 1927年《大都会》

- 1933年《金刚》

- 1954年《哥斯拉》（日本）

新的高度：

- 1968年《2001太空漫游》

- 1977年《星球大战》

- 1979年《异形》

- 1982年《银翼杀手》

- 1984年《终结者》

CG时代：(仍然被大量使用，尤其是涉及到火、爆炸、水的时候)

- 1993年《侏罗纪公园》

- 1996年《独立日》

- 1997年《泰坦尼克号》

- 2001年《哈利波特与魔法石》

- 2001年-2003《指环王》

- 2006年《超人归来》

现在：(更多地是为追求更加真实的质感与光线)

- 2008年《蝙蝠侠：侠影迷踪》

- 2010年《盗梦空间》

- 2014年《布达佩斯大饭店》

- 2014年《星际穿越》

- 2017年《银翼杀手2049》

- 2018年《登月第一人》

“影视行业”存在吗？电影和剧集的区别，就像木鱼和金鱼的区别

Sun, 07 Apr 2019 19:13:27 CST

本怪盗团负责人裴培

archibaldpei@icloud.com

“影视行业”，顾名思义就是“电影与电视行业”；一般而言，它包括电影、电视剧、网剧、综艺节目等。我的问题是：这个行业真的存在吗？让我们好好想一想。

粗略看来，我的问题似乎很无厘头：“影视行业”怎么可能不存在呢？在资本市场眼中，它是传媒娱乐行业最大的子行业，包括数十家上市公司、数以百计的大中型公司；它为数十万人提供了就业机会，为数亿观众提供了娱乐选择，是互联网巨头最重要的内容供应商之一。我们经常会在媒体报道和券商报告中看到“今年影视行业大局”“监管政策对影视行业的影响”之类标题。我为什么会觉得这个行业不存在？

别误会，我的意思是：确实存在一个“电影行业”，也确实存在一个“剧集行业”，它们都是规模很大、水很深的行业（为了简化问题，在此暂不讨论综艺行业）。然而，它们的内部逻辑差异过大，以至于我们无法简单粗暴地将其统称为“影视行业”。打个粗浅的比方：电影是木鱼，剧集是金鱼，虽然长得差不多，但是生活环境和身体构造都完全不同，我们总不能说“木鱼和金鱼都属于鱼类”。

木鱼和金鱼有太多不同，永远搞不清别人过的生活

下面我们说说电影和剧集行业的主要差异吧。你会发现，差异确实比一般人想象的大很多。

电影是严格的B2C生意：片方将电影送到院线，由观众个体购票完成消费。当然，电影也有其他变现方法，但是在目前的中国，电影票仍然是最重要的收入来源，没有之一。

剧集是严格的B2B生意：片方将剧集出售给视频平台和卫视（有买断、定制、阶梯分账等多种方式），由后者负责最终变现，而且变现来源既可以是消费者的VIP付费，也可以是广告。

电影像VC，风险和潜在收益都很高：在电影上映之前，票房的能见度一般都很低，片方和投资方承担了制作发行成本，却不知道能够回收多少。就算是《流浪地球》这种超级爆款，在上映前夕也不被看好。但是，鉴于电影的B2C生意属性，一旦成功，收益可能是几十倍、几百倍的。

剧集像PE，风险比较可控，收益也有上限：大型剧集一般在立项阶段就与视频平台和卫视谈过了，在制作初期就签署了预售协议。剧集的片方往往是“量出为入”：预计完成后能取得X亿的销售收入，目标投资回报率为Y%，由此倒推出制作成本上限为Z亿。当然，就算剧集做的大幅超出预期，片方也不太可能有超额收益。

《流浪地球》总成本3.4亿，事前看风险还是很高的

电影的工业标准要求很高：达到院线上映标准的电影，一般都在美术置景、服化道、摄影灯光、音乐音效、视觉特效等各个环节实现了较高的工业标准。尤其是2017年来，中国电影的“工业化”进展很快，资金的焦点逐渐从明星转移到制作环节。在大银幕上，一切技术缺陷都会被放大，制作方不敢马虎。

剧集的工业标准有待提高：毫无疑问，剧集的大部分成本都流向了明星。在小屏幕上，工业标准要求本来就不高；视频平台在采购时，最看重的也是明星、题材，而非工业标准。虽然在美国，头部大剧的技术水平已经堪比电影，但是在中国并非如此。

电影承载着许多战略意义：首先，各大电影公司都会准备一批专供冲击电影节和年度评选的艺术片，以便积累知名度和美誉度。其次，任何电影的口碑都是非常重要的，任何片方都希望在影评圈和社交媒体取得较好评价。最后，监管部门也希望扶持“有较大社会和国际影响力”的电影，以积累政绩。票房收入固然重要，但不是电影的全部。

剧集的意义几乎集中在经济方面：在中国，没有人会指望一部剧集“拿奖”、创造“艺术价值”；剧集的口碑也没那么重要，对于主创人员和演员的美誉度贡献都很有限。对于绝大部分剧集项目而言，利益相关方的诉求都非常集中：以尽可能高的效率把钱赚回来。除了经济意义之外，在剧集中没必要考虑太多的战略意义。

头部剧集不需要什么美誉度，只需要把钱赚回来

流量明星、大IP对电影没什么作用：2016年以来，在残酷的市场教育之下，片方、投资方和影院形成了共识——流量明星对电影毫无作用，大IP的作用也很有限。《战狼2》横扫了2017年暑期档，坐拥大明星、大IP的《悟空传》《三生三世十里桃花》《鲛珠传》被打的溃不成军；《流浪地球》横扫了2019年春节档，与之题材类似的《上海堡垒》则因为有鹿晗而未上映就被影迷骂的狗血淋头。在任何B2C行业中，产品质量都是至关重要的因素，任何噱头都是靠不住的。

流量明星、大IP对剧集仍然举足轻重：如果你把顶级流量明星近年的作品拉一个清单，就会惊异地发现：其中绝大部分是剧集，而且不乏IP大剧。简而言之，剧集制作方满足的不是观众的需求，而是视频平台和卫视的需求。观众到底喜不喜欢流量明星、大IP？这是个未知数。即便他们不喜欢，他们的真实需求也要花上很长时间，才能传导到制作方那里。

电影主创人员的新陈代谢速度较快：观察最近几年热门的华语电影，你会发现其中的新人不少。《流浪地球》只是郭帆导演的第二部电影，而《飞驰人生》也是是韩寒导演的第三部电影。在艺术片领域，每年都会冒出十几个新导演；在小成本类型片领域，新人上升的速度也不慢。在公司层面也是如此：许多制作公司和发行方只有5-10年历史，却已经举足轻重。归根结底，在电影这门B2C生意中，只要做出爆款产品，资本、资源和知名度都会随之而来，实现新陈代谢。

剧集主创在很大程度上是个小圈子：这是由剧集行业的B2B属性决定的，若不能先取得“卖出去”的保证，谁也不会启动大型剧集项目。所以，剧集主创的经验、资历非常重要——他们要向视频平台取得播出保证，这又依赖于他们签下大牌明星的能力。通过一两个爆款作品实现“新人逆袭”的神话，在剧集行业几乎从未存在过，因为新人根本不具备创作爆款的条件。

《战狼2》也只是吴京的登峰国际出品的第二部电影

投资者很可能得出一个错误的结论——剧集的商业模式比电影更好、更健康，因为前者的风险更小、确定性更强、进入壁垒更高。事实并非如此，因为剧集的账期极长、应收账款风险极高。相对于视频平台，剧集制作公司处于弱势地位；而且，头部大剧的制作成本远远超过同一级别的电影。举个例子：《战狼2》的总成本（包括发行）不过2亿多，不及现在随便一个S级大剧的制作成本；现实题材的院线电影，成本一般在几千万到1亿左右，甚至赶不上A级剧的平均成本。此外，头部大剧的高昂成本，早已使视频平台苦不堪言，它们无时无刻不尝试着压低售价。站在全面的视角上，我们很容易得出结论：剧集的商业模式并不比电影优越多少。

2017年以来，随着“分账网剧”的崛起，剧集的商业模式事实上正在向电影靠拢。爱奇艺、腾讯、优酷三大视频平台的长期目标，都是尽可能采取“分账模式”而非“买断模式”或“定制模式”，减少自身的风险，让剧集制作方的收入与观众的实际兴趣挂钩。这是一条正确的道路：任何娱乐内容的制作方，都必须直接与观众接触、受到观众的现实激励，才有动力开发观众喜闻乐见的产品，实现行业的可持续发展。或许在几年之后，我们能看到“剧集模式”向“电影模式”靠拢，但是这个过程只是刚刚开始。

对于投资者，以及想要进军影视行业的巨头（主要是互联网巨头）来说，需要格外注意“影视行业”的内部分裂性——电影和剧集的差距如此巨大，从创作环节直到终端变现，每一个环节的逻辑都不同。我们当然可以找到一些横跨影视两界、并且都做出优秀成绩的人和公司，然而比例非常低，而且它们无不经历过痛苦而可怕的历练。一般而言，我们无法指望一个只做过剧集的人能够立即负责院线电影项目，反之亦然。只有正视电影和剧集的差异，才能高效地解决问题。

互联网巨头进军影视的步伐很大，但是要注意差异

既然同属于“影视行业”的电影和剧集都有如此巨大的差异，那么电影、剧集和游戏等其他内容的差异就更大了。所以，我们不难理解，为何“影游联动”的成功率如此低下；我们也应该能理解，为何从文学、动漫等IP改编影视作品的成功率也不高。在实现“综合”之前，我们首先要学会“分析”；在“打通各种内容形式”之前，我们首先要理解和承认各种内容形式的差别。我们当然都希望看到内容产业出现革命性的变化，可是如果不能彻底理解现存的一切，我们如何发动产业革命呢？

如果要在“电影模式”和“剧集模式”之间选择一个，我会毫不犹豫地站在电影这一边。历史一再证明：只有当内容创作者直接面对消费者、直接为作品负责时，他们才具备足够的创新能力和完成度。当创作者和消费者之间隔了一个中间商时，一切需求都很难传导上去，一切新想法也很难付诸实施；我们都知道“代理人风险”的含义。幸运的是，视频平台也意识到了这一点，开始通过倡导分账模式、提供详细的终端数据，让剧集的商业模式变得更像电影。在长期，不断进步的技术，会把电影和剧集行业带到哪里？我不知道，但是我相信：优质的内容在任何时候都稀缺，而技术的进步无非是将优质的内容开发商更高效地筛选出来。

2018 年全球票房前 10 名电影名单出炉，你都看过了哪些

Fri, 04 Jan 2019 19:30:03 CST

进入到新的一年，对于 2018 年完整一年的数据统计就可以开始了。日前老牌票房网站 Box Office Mojo 就公布了过去一年全球票房前 10 名的电影名单，其实基本上也可以想到其中的大部分片名——超级英雄作品成为毫无疑问的票房收割机，而这当中漫威系足够抢眼， 漫威的“超英”占到 4 部，其中还有无法在大陆上映的《死侍 2》，另外差一丢丢就上榜的第 11 名是《蚁人 2：黄蜂女现身》（6.23 亿美元）。

算上皮克斯的《超人总动员 2》， 迪士尼成为这份榜单毫无争议的最大赢家。

2018 年电影票房 TOP10

1.《复仇者联盟 3：无限战争》20.49 亿美元
2.《黑豹》13.47 亿美元
3.《侏罗纪世界 2》13.05 亿美元
4.《超人总动员 2》12.43 亿美元
5.《毒液：致命守护者》8.55 亿美元
6.《海王》8.22 亿美元
7.《碟中谍 6：全面瓦解》7.91 亿美元
8.《死侍 2》7.42 亿美元
9.《波西米亚狂想曲》7.04 亿美元
10.《神奇动物：格林德沃之罪》6.29 亿美元

注：《红海行动》最终拿下 5.79 亿美元，全球排名第 13。

不过，要说厉害的其实得算《海王》，12 月 7 日中国上映，12 月 21 日北美才上映，不到一个月时间票房就冲到了第 6，很夸张了。当然只靠这一部就要预言 DC“从此翻身”也并不合适，熟悉的同学都了解 DC 习惯性“抽风”，还是要看看接下来几部（2019 年有《雷霆沙赞！》和《神奇女侠 1984》）的口碑能不能跟得上。

一份榜单体现出的还是所谓的“爆米花商业电影”和“电影节评委眼中的电影”的鸿沟，票房和艺术地位二选一，两边各取所需，这样的默契还会继续。不过这次的票房榜单中还是有一部值得留意—— 讲述皇后乐队发展史的《波西米亚狂想曲》全球拿下 7 亿票房，同时它也被认为是今年奥斯卡颁奖的大热门之一。这部仅投资 5200 万美元的电影有望名利双收——当然，很大程度得益于皇后乐队本身影响力的加持。

本文题图来自 kfdm.com 。

2018 年我认为最好看的 8 部电影 & 电视剧

Thu, 27 Dec 2018 21:08:04 CST

2018 年还有不到一个星期就截止了，各大主流媒体也纷纷亮出了自己的年度十佳电影、英剧、美剧或日剧的榜单。在这里，我也跟风一下，写一写我心中的几部年度优秀电影和影视剧。

电影类

三块广告牌

国家：美国

类型：剧情、犯罪

导演：马丁·麦克唐纳

编剧：马丁·麦克唐纳

主演：弗兰西斯·麦克多蒙德 / 伍迪·哈里森 / 山姆·洛克威尔 / 艾比·考尼什

「片子能引进，本身也是一种进步了。」

因为住在小地方，所以片子上映的时候，电影院并没有拍片，所以赶到隔壁市去看，看完之后一点也不失望，只有两个字——优秀！比「至暗时刻」更抓人的剧本，虽然是很老套的复仇故事，但是拍得戾气却又充满温情。

科恩嫂教科书般的演技，导演台词下的怼人功力啊！如果不拿奖真的说不过去，不如给你立上三块广告牌「HARD WHILE WORDING」、「AND STILL NO REWARD」、「HOW COME，THE COMMITTEE」。不给我放这三块广告牌？好的，那么就烧了你们组委会！两大男配角太优秀了！Woody 一晚上三封信的拯救对方和自我拯救，原来是小天使的角色。

Dixon 冲出火场带出的文件，在酒吧门口点燃的烟……在局长的心灵鸡汤下，最后他还是成为了内心深处想成为的人。

也算是一种看过的不一样的中年危机电影，中年失女、中年患癌、中年失业，争吵、互相斗争、歇斯底里，撕心裂肺，无奈中的挣扎，却又有着坚持的不服输的宿命感。

科恩嫂最后的笑实在是太美了！隐藏在她工装束发下的被强忍坚硬所掩盖的瞬间的温柔～所有演员演技在线，群戏棒极了！小红发和 Dixon 在病房的「冤家路窄」真是忍俊不禁，不是最佳影片很遗憾啊！

小偷家族

国家：日本

类型：剧情、家庭、犯罪

导演: 是枝裕和

编剧: 是枝裕和

主演: 树木希林／中川雅也 / 安藤樱 / 松冈茉优 / 城桧吏 / 佐佐木美结

「肮脏又单纯，虚假却真实。」 ——边缘人物的萍水相逢又别离。

编剧是枝裕和，导演是枝裕和，剪辑是枝裕和。看完这部电影，就觉得是枝裕和是真厉害，名字都浪漫得像诗的导演，不愧是棕榈叶增了两千万票房的威严。在每个你以为要煽情的地方戛然而止。明明有很多点可以触发，他偏偏就不说。让你自己在明白之后、觉得心里很难过。

有点像是「无人知晓」和「如父如子」的混合版。没有关系的六个人蜗居在一栋老房子中互相取暖。没有血缘关系的，是什么呢？安藤樱说「羁绊」。

日剧日影中，似乎很喜欢这个词。无论是《mother》还是《高护木的规矩》，没有血缘关系两个人因为互相依靠的「牵绊」而产生的亲情，总是很催人泪下的。只不过这一次，扯上了社会，扯上了边缘人，是枝裕和选择了如蛆虫生活的人群。

祥太这个小演员找得真好。虽没有影帝的灵气逼人，却也有看《无人知晓》时，在柳乐优弥十三岁时眼中看到的力量。

「男人是都喜欢欧派的」，想起这句话影帝在《宽松世代又如何？》中也如此说道，就有一种恍然大悟的感觉。

是枝裕和真是懂得展露人情冷暖的高手。安藤樱的强忍眼泪，树木希林老奶奶轻轻柔柔的「ありがとう」，现实的残酷，却又充满伤情的温暖。

是枝裕和御用的母亲啊，据说树木希林老奶奶在拍摄这部电影的时候身体并不是很好，2018年还没有过去，树木希林老奶奶就去了另外一个世界，在那样的情况下，她却依然出色完成影片中的角色，是真的了不起。

「我不会再演了哦，」她曾经如此说，可树木奶奶还是演出来了一个和以往电影中不一样的母亲。

探讨家庭关系的老套路，开篇「父子」在超市的偷就很有意思。似乎真的是「小偷家族」，可真的是吗？

你们是想抛下我溜走吗？

是的,但是没有成功。

其实我也是故意被逮住的。

这样说是不是会心里舒服自在一点呢？

那晚的烟花不知道是不是真的，可六人在一起的感觉不骗人。小偷家族，小偷家族，其实只是单纯偷走了彼此的温情和心的家族罢了。

无问西东

国家：中国

类型：剧情、爱情、战争

导演: 李芳芳

编剧: 李芳芳

主演: 章子怡 / 黄晓明 / 张震 / 王力宏 / 陈楚生 / 铁政 / 祖锋 / 米雪

其实这一部电影上映的时候看完，我的标注是三颗星，但还是选在自己的 2018 年度电影的名单中，只是真的看完之后一种深深的民族情感吧。

全剧米雪演技最佳。摄影整部电影最佳！电影硬生生成了曹郁的个人摄影展！（妖猫也是他摄影，画面实在太美。）

陈楚生是王力宏这边的老师。王力宏空投的食物救了黄晓明。和黄晓明章子怡半生纠葛并误会章子怡去世的铁政在雪山上救了张震的父母完成了对于自己的救赎。

陈楚生在文理中辗转，最后从心选择了文科；王力宏在家国中纠结，最后从心献生救大伙；张震夹缝在道德和工作中，最后从心继续救助四胞胎；只有黄晓明，他似乎从来都没有迟疑。他一根筋,就是要照顾章子怡，即使有短暂的放弃，也最后请假回来寻心上的那个人。他报国，他因为核脱发，他带上帽子对着小女孩笑笑，他从心，所以他从来不后悔。

从心选择，爱你所爱，行你所行，所以——无问西东。

是很简单的故事吧，但是在导演的手里，想说的太多，似乎都提到了，却又好像什么都差一点。在电影的表现过程中，四条线的关联似乎并没有那么明显，并没有很好地交叉起来，可惜。

有张震有章子怡，导演是李安的师妹，可眼前出现的并不算是卧虎藏龙，倒是有点太平轮的味道，有点糟蹋。虽然最后被王力宏部分的故事感动到一塌糊涂，可除开大量弦乐的煽情，电影又感觉少了什么。感动得太刻意了。

张震我太爱了，可在继续救助和前上司施压下自我从心选择，恢复以前的笑容，做自在的自己，真的很像某个公益广告啊；绝版的青春的章子怡很美，即使一开场众姑娘皆戴着口罩，还是能一眼认出她。眉目之间，有最初的骄傲自信、又有后来的春秋和哀愁；黄晓明也不油腻了。从那个北大英语系的「傻子」变成了一个清华搞物理的认准了就是一辈子的「傻子」，和章子怡雨中的相拥很感人；色戒后王力宏又演了爱国学生，感觉他这次驾驭得更好，人物的背景也还蛮符合他真实的人设；这段故事中的米雪美极了。粤语悦耳动听，身姿优雅从容，最后站在「三代五将」前的身影，又是落寞又很动人，全剧最佳的演技。

但最喜欢的还是陈楚生这一段的故事，虽然短，但是简单精炼，不需要过多的煽情，却足够泪流满面。成绩好的学生都是学理科的呀。想到了以前看高晓松说自己家里的故事，说当年好多人都学了理科，因为可以报效祖国。所以到底是为了随大流学理科、还是跟随自己的心呢？

其实对于我而言，电影最感动的倒不是王力宏最后的牺牲，抑或是黄晓明守护的爱，或者是米雪的泪，而是最后真真实实真真切切的彩蛋。电影中主角身边的那些人物，似乎在电影只是点缀存在毫不起眼，如雷贯耳的大师们作为配角的穿插出现啊！想想在当年的历史中，他们是做出怎么样的坚持怎么样的贡献？

梅贻琦、梁启超、梁思成、林徽因、徐志摩、闻一多、朱自清、陈寅恪、沈从文、钱钟书、王国维、冯友兰、钱穆、华罗庚、邓稼先…… 最后影厅只剩下我一个人，我一边鼓掌一边大哭，百年清华薪火相传得令人肃然起敬。虽然是一枚学渣，但是看着这些大师们的出现，还是令人心生尊敬。

心里有座坟，藏着未亡人；那里有些坟，葬着不知名的人。

英美剧

英国式丑闻

国家：英国

类型：剧情、传记、犯罪

导演：斯蒂芬·弗雷斯

编剧：拉塞尔·T·戴维斯 / 约翰·普雷斯顿

演员：休·格兰特 / 本·卫肖

片子根据杰瑞米·索普的真人真事所改篇。60 年代末的英国刚刚开始对同性恋除罪化，因为对于同性恋爱还没有秉持如今这般的开放接受程度。而当时英国的自由党领袖，以及百年来英国政党中最年轻的领袖，杰瑞米·索普则隐瞒了自己曾经有一个同性恋人诺曼·斯科特的事情，这件事情对于杰瑞米·索普来说，是一个威胁，于是他策划谋杀自己曾经的恋人，但最终失败。这件事情令杰瑞米·索普成为首位因谋杀案而受审判的英国政治家，更被公众得知他的同志身份。最终杰瑞米·索普虽然被判无罪，但也结束了政治生涯。

在这一次的迷你剧中，杰瑞米·索普由休·格兰特饰演，而他的前同性恋人，则是本·卫肖担任演出。

虽然想到《莫里斯》里年轻英俊的颜就会觉得这几年休叔脸上的皱子多了一点，但是英英一出，还是很迷人，无外吸引到本喵了。

其实今年出众的英剧很多，无论是同期本尼的《梅尔罗斯》还是莎婆改编作品的《无妄之灾》，或者是下半年大热的《贴身保镖》，可我在 2018 年第一部心中惊艳的英剧就是《英国式丑闻》，而且在我心中，这部剧比同期的《梅尔罗斯》更优秀。本尼的《梅尔罗斯》更像是一个人的表演秀，演技和画面感没话说，但是我觉得偏粉丝福利向一点，但作为一个传记片的《英国式丑闻》，不但节奏把握得恰当好处，不冗长不枯燥，而且把一个历史完整呈现，作为看客的我，是十分满足的。

杀死伊芙（第一季）

国家：美国、英国

类型：惊悚

导演：荣·伊斯特 / 达蒙·托马斯 / 哈利·布拉德比尔

编剧：卢克·詹宁斯 / 菲比·沃勒-布里奇

主演：吴珊卓 / 朱迪·科默

这里来说一说今年四月，由 BBC America 拍摄的 8 集惊悚片「杀死伊芙」。该剧根据 Luke Jennings 的小说系列改篇，《杀死伊芙》的主角分别是一个有精神病的刺客 Villanelle 及在追捕她的 Eve。Eve 是个生活无聊、十分聪明、工资不高的英国安全局人员，后勤的工作无法满足她当间谍的幻想；至于 Villanelle 是个优雅、有才的杀手，她依偎着这暴力工作能带给她的奢侈生活。这两个聪明的女人互相对对方着迷，并进行了一场史诗式的猫捉老鼠游戏。

《实习医生格蕾》之后四年没接戏的吴珊卓，等了三十年拿到一个主角的角色，还没出演就续订两季，成为了第一个提名艾美奖剧情类最佳女主角的亚裔，这部剧是该有多好看？

于是打开视频，才看一集就被吸引。双女主的设定很带感，吴珊卓饰演的 Eve 又毒舌又接地气但是又有脑子，朱迪·科默饰演的杀手，每次行动都毫不犹豫，仿佛在自己手里失去生命的不是人而是某个能刺激自己感官带给自己快感的艺术品。两个有智商女人的博弈，实在是很带感了。

吴珊卓因为《实习医生格蕾》大家都对她非常熟悉，看剧的时候，对于杀手的演员也是感觉很眼熟，查了一下发现原来演员在《福斯特医生》中饰演了抢了福斯特丈夫的小三。记得当时看《福斯特医生》时要厌恶死她了，但是在《杀死伊芙》里，就觉得小变态好可爱，穿着粉色蓬蓬裙，除了杀人的时候很精明，生活上似乎是个白痴，这人设在她的饰演下，竟然很讨喜，真的是感觉自己的心情也很复杂了。

日剧类

unnatural

类型：剧情、悬疑

导演：冢原亚由子 / 竹村谦太郎 / 村尾嘉昭

编剧：野木亚纪子

主演：石原里美 / 井浦新 / 洼田正孝 / 市川实日子 / 松重丰 / 龙星凉

本年度的第一大热日剧绝对是石原里美担任一番的《unnatural》。

追剧的过程美好又难受，那些隐藏下冰冷尸体下的真相却又令人忍不住热泪盈眶，每一集当那些未知的谜团终于被揭开的时候，配合米津玄师温柔嗓音下的《lemon》，心里实在是堵得慌。

我一直觉得日剧的台词很厉害，虽然有的时候会中二，但是很细节的生活感，会一下子把你的心给揪住。一些对于现实问题的探讨，也会让人反省或者思考。

第三集中，不需要三澄医生给自己作证，理由是因为对方是他不信任的女人的嫌疑人，在摆脱罪名之后向中堂医生感谢，三堂医生一脸不爽，「开什么玩笑，都怪你小肚鸡肠说什么女人靠不住，我才被迫过来的。不管是什么人，开膛破肚扒了皮，都只是肉块罢了，等你死了就知道。」大学的时候看《rich man poor woman》的时候，对井浦新有非常不友好的印象，这一次和石原里美再合作，看了一集就觉得很有 CP 感，看到第三集我已经要高举 CP 的旗帜了。

日剧真的是很神奇啊，之前不喜欢的演员，在之后的一些角色中，凭借自己的演技都会让你觉得特别迷人。

99.9：刑事专业律师（第二季）

类型：剧情、犯罪

导演：木村ひさし / 冈本伸吾

编剧：宇田学

主演：松本润 / 香川照之 / 木村文乃

其实我更喜欢《99.9：刑事专业律师》的第一季。木村文乃也很优秀，但是第一季的荣仓奈奈和松本润已经有过很多次的合作，所以我更喜欢两个人之间所擦出的火花。

不论是已经封神的《白色巨塔》、《相帮》系列还是《Hero》，或者是这几年引起讨论的《LEGAL HIGH》、《重版出来！》、《校阅女孩河野悦子》，日本职场剧对于这个影片中将要展现的这个行业的一些披露或者是探讨，我都觉得是很厉害。《99.9:刑事专业律师》则又对另外一个大众以为很了解但是其实另有玄机的律师中的主攻刑事案件的律师进行了拍摄。

剧情其实非常简单，在日本，由于检察机关只会起诉确实有罪的案件，所以一旦嫌疑人被起诉，有 99.9% 的可能性会被判有罪，这个数字说明了日本司法制度得到了相当高的信赖。但是，这背后隐藏着一个巨大的漏洞，那就是，检察官容易忽视对事件真相的追究，而且社会上极少存在专门接手刑事案件的律师，使得严谨地进行检证变得极度困难。但是，尽管 99.9% 的事件是确定有罪的，还有 0.1% 是难以确定的，这其中就可能隐藏着真正的「事实」。松本润饰演的深山大翔就是因为其父亲被冤枉冤死狱中，所以成为了不计报酬的一个刑事辩护律师。

第二季个人印象最深刻的就是第五集，这一季改编自 2001 年日本真实的一次案件「御殿场事件」——少女冤枉不良少年对其进行性侵。虽然被诬告的四个少年们提交出了非常有力的不在场证明，却因为少女的再次翻供更改时间，少年们至今仍然没有获得清白。电视剧中的少年们，获得了这 0.1% 的机会，可现实，却依然很残忍。

大恋爱：与将我忘记的你

类型：剧情、爱情

导演：金子文纪 / 冈本伸吾

编剧：大石静

主演：户田惠梨香 / 室毅 / 松冈昌宏

2018 年日剧秋季档，当朋友圈看日剧的朋友们都在为「我是大哥大」的爆笑刷屏的时候，我却为了「我是大哥大」中的椋木先生的扮演者——室毅与户田惠梨香合作的「大恋爱：与我将忘记的你」每一集都抱着纸巾盒大哭。

即将成婚的女医生北泽尚在婚礼前遇到了自己最喜欢的二十年没有再出作品靠兼职搬家工作养活自己的小说家间宫真司，于是和未婚夫分手，和穷困潦倒的小说家在一起。活到三十四岁为自己的冲动活一次，却在这个时候发现自己得了年轻型阿兹海默症。

不是因为得了病而选择和你在一起，而是因为没有你就失去了活下去的意义；而二十年写不出书的小说家，因为妳的出现，重新开始了写作。就是最适合自己的彼此了。

「我想和你一起走在沙滩上」，即使可能沙子很轻，也许承担不了爱情的重量，但是因为相互扶持，所以留下的脚印就足够让人看了就感到心中圆满。

八年前《SPEC》里的当麻，八年后的北泽医生，户田惠梨香的演技舒服又自然。

室毅也真的很厉害，以前对于他只是眼熟，加上因为是松本润的好友，所以每次看到他说不上喜欢，就觉得他很搞笑。到后来看《重版出来！》，是第一次被他的演技折服。而这一次的秋季档，前一秒在《我是大哥大》里如此神经，下一秒在《大恋爱》中又深情款款，实在是厉害的演技。

因为有绝症的设定，所以免不了虐，但是虐中带着点糖的渣渣，还是挺带感。而被分手后的前男友后来和女主的妈妈在一起，也就是说前男友娶了差点成为自己丈母娘的女人，神奇。

> 下载少数派客户端、关注少数派公众号，让你的生活更精彩

> 特惠、好用的硬件产品，尽在少数派 Pi Store 商店

基于电影知识图谱的智能问答系统（八） -- 终极完结篇 - Appleyk的专栏 - CSDN博客

Thu, 11 Oct 2018 22:30:46 CST

基于电影知识图谱的智能问答系统系列章节传送门：

基于电影知识图谱的智能问答系统（一） -- Mysql数据准备

基于电影知识图谱的智能问答系统（二） -- Neo4j导入CSV文件

基于电影知识图谱的智能问答系统（三） -- Spark环境搭建

基于电影知识图谱的智能问答系统（四） -- HanLP分词器

基于电影知识图谱的智能问答系统（五） -- Spark朴素贝叶斯分类器

基于电影知识图谱的智能问答系统（六） -- 问题训练样本集敲定

基于电影知识图谱的智能问答系统（七） -- Neo4j语句那点事

博主注：本篇不再过多的讲解demo了，集成也很简单，前面几章也已经给本篇做足了铺垫，项目demo中的注释也是非常的详细，最后会附上整个项目的下载地址，如有问题，另留言吧。

一、效果预览

（1）电影简介

前端展示：

后台效果：

（2）电影评分

前端展示：

后台效果：

（3）电影演员列表

前端展示：

后台效果：

（4）演员A和演员B合作过哪些电影

前端展示：

后端效果：

由于章子怡本来是一个完整的人名，但是HanLP分词的时候，却意外的“失手”了，因此导致最后查询无果

我们再换个问题试验一把

后台效果：

（5）某演员出演过那种类型的电影或演过某种类型的电影有哪些

......etc，其余不在做演示，下面直接来看如何利用Spring-Boot搭建我们的智能问答系统

二、项目目录结构图

三、Movie节点类

这里只拿电影信息的节点类来进行演示，比如，movie对应的节点在Java中定义类如下：

      package com.appleyk.node;

import java.util.List;

import org.neo4j.ogm.annotation.NodeEntity;
import org.neo4j.ogm.annotation.Relationship;

import com.fasterxml.jackson.annotation.JsonProperty;

@NodeEntity
public class Movie extends BaseEntity{

	private Long mid;
	private Double rating;
	private String releasedate;
	private String title;
	private String introduction;

	@Relationship(type = "is")
	@JsonProperty("电影类型")
	private List<Genre> genres;
	

	public Movie() {

	}

	public Long getMid() {
		return mid;
	}

	public void setMid(Long mid) {
		this.mid = mid;
	}

	public Double getRating() {
		return rating;
	}

	public void setRating(Double rating) {
		this.rating = rating;
	}

	public String getReleasedate() {
		return releasedate;
	}

	public void setReleasedate(String releasedate) {
		this.releasedate = releasedate;
	}

	public String getTitle() {
		return title;
	}

	public void setTitle(String title) {
		this.title = title;
	}

	public String getIntroduction() {
		return introduction;
	}

	public void setIntroduction(String introduction) {
		this.introduction = introduction;
	}

	public List<Genre> getGenres() {
		return genres;
	}

	public void setGenres(List<Genre> genres) {
		this.genres = genres;
	}

}

其中属性和neo4j中的movie节点的属性一一对应

电影信息节点里面带有关系is，对应neo4j中该电影的类型

通过Controller对外提供的查询接口如下：

外部调用效果如下：

四、加载自定义带词性的字典数据

注：不要使用HanLP提供的自定义词典路径，因为这个除了不能随心所欲的定义分词的词性以外，还极容易出现分词紊乱，词性对不上的bug，为了满足我们对专有电影名、电影分数及电影类型词性的定义，我们使用额外加载的方式设置HanLP的自定义分词，application.properties中设置自定义词典的路径如下：

这三个文件的下载地址： https://pan.baidu.com/s/13PYsF2X3v7BzkPFG37kKuw

注：也可以根据自己的需求进行设置

五、项目完整地址

GitHub下载地址： Spring-Boot集成Neo4j并利用Spark的朴素贝叶斯分类器实现基于电影知识图谱的智能问答系统

完结！！！

番外篇：如何将项目导入到IDEA并运行测试效果？

（1）IDEA项目结构图（导入pom文件，配置好Maven后如下）

（2）项目配置文件

（3）内嵌html测试前端访问页面

（4）启动项目

（5）浏览器访问主页Index.html

MovieTaster-使用Item2Vec做电影推荐

Mon, 27 Aug 2018 22:00:27 CST

本文原文发布在我的个人博客>>

前言

自从Mikolov在他2013年的论文“ Efficient Estimation of Word Representation in Vector Space”[1]提出词向量的概念后，NLP领域仿佛一下子进入了embedding的世界，Sentence2Vec、Doc2Vec、Everything2Vec。词向量基于语言模型的假设——“一个词的含义可以由它的上下文推断得出“，提出了词的Distributed Representation表示方法。相较于传统NLP的高维、稀疏的表示法(One-hot Representation)，Word2Vec训练出的词向量是低维、稠密的。Word2Vec利用了词的上下文信息，语义信息更加丰富，目前常见的应用有：

1. 使用训练出的词向量作为输入特征，提升现有系统，如应用在情感分析、词性标注、语言翻译等神经网络中的输入层。

2. 直接从语言学的角度对词向量进行应用，如使用向量的距离表示词语相似度、query相关性等。

MovieTaster

MovieTaster是我用Item2Vec实现的电影推荐demo，它可以针对输入的一个或多个电影，基于豆瓣用户UGC内容( 豆列)产生推荐列表。 Github repo现已公开。

" width="767">

" width="770">

Item2Vec

MovieTaster是Item2Vec在电影推荐上的实现，下面简单介绍一下Item2Vec的内容。

Item2Vec是由 O Barkan， N Koenigstein在他们2016年的论文“ Item2Vec: Neural Item Embedding for Collaborative Filtering“[3]中提出的。论文把Word2vec的Skipgram with Negative Sampling (SGNS)的算法思路迁移到基于物品的协同过滤(item-based CF)上，以物品的共现性作为自然语言中的上下文关系，构建神经网络学习出物品在隐空间的向量表示。论文中还比较了Item2Vec和SVD在微软Xbox音乐推荐服务和Windows 10商店的商品推荐的效果，结果显示Item2Vec效果有所提升。

总的来说，这篇论文的算法创新性不高，但把Word2Vec迁移到item-based CF的脑洞令人耳目一新。在Item2Vec中，一个物品集合被视作自然语言中的一个段落，物品集合的基本元素－物品等价于段落中的单词。因此在论文中，一个音乐物品集合是用户对某歌手歌曲的播放行为，一个商品集合是一个订单中包含的所有商品。

从自然语言序列迁移到物品集合，丢失了空间／时间信息，还无法对用户行为程度建模（喜欢和购买是不同程度的强行为）。好处是可以忽略用户－物品关系，即便获得的订单不包含用户信息，也可以生成物品集合。而论文的结论证明，在一些场景下序列信息的丢失是可忍受的。

" width="280">

Item2Vec的网络结构与Word2Vec Skipgram的结构基本一致，只是输入的w(t)替换为i(t)。论文中还提到，由于训练数据迁移到物品集合，模型需要进行调整才能保证效果：

(1) 把Word2Vec的上下文窗口(window size)由定长的修改为变长的，长度由当前训练的物品集合长度决定。此方法需要修改网络结构。

(2) 不修改网络结构，而在训练神经网络时对物品集合做shuffle操作，变相地起到忽略序列带来对影响。

论文提出两种方法的实验效果基本一致。

MovieTaster是如何实现的

MovieTaster的训练数据(我爬的)是豆友们的电影豆列共6万个，其中包括10万＋部电影。训练item向量使用的工具是 fasttext，训练方式是skipgram、50个epoch，并滤去出现次数低于10次的电影。

我还尝试了其它训练参数，推荐结果如下：

" width="825">

从结果中可以观察出一些有意思的结论。战狼2是最近刚出的电影(此文作于2017/08)，包含战狼2的大多是“暑期国产电影合集”，“2017年不得不看的国产电影“这类豆列；美国往事属于经典老片，训练语料足够多，skipgram和cbow的推荐结果各有千秋；小时代在豆瓣中属于不受待见的一类电影，包含小时代的豆列较少，skipgram的推荐结果优于cbow。

大家关于Item2Vec有什么脑洞，欢迎讨论。文章后续会公开部分源码和数据集，并尝试更多不同算法和参数的效果。

参考资料：

[1] Mikolov T, Chen K, Corrado G, et al. Efficient Estimation of Word Representations in Vector Space[J]. Computer Science, 2013.

[2] word2vec 中的数学原理详解

[3] Barkan O, Koenigstein N. Item2Vec: Neural Item Embedding for Collaborative Filtering[J]. 2016:1-6.

为什么我们拍电影像拍电视一样儿戏，而别人拍电视像拍电影一样精良？

Mon, 11 Jun 2018 21:40:43 CST

文/斯嘉丽

这个我们的电视剧拍成这样是为什么我就不说了，因为一般电视人会把原因归结为广电总局。说这也不让拍那也不让拍，反正有错都是制度的错，他们自己的才华能力一点问题都没有，放他们去好莱坞一定会得终生成就奖。

我今天就说说《摩丝探长前传》这个系列英剧吧，好在哪里，肉眼可见。

说实话，半夜看这剧，我还有点怕。生个娃把胆子也生掉了。说起英剧，可能最近这几年最声名鹊起的就是《神探夏洛克》，高智商高语速高水准，是我的菜没错。但是像《摩斯探长前传》这种，画面美如油画，画风沉韵潮湿，主角与神探夏洛克的机关枪语速和高智商癫痫，冠军级身手，四倍加速般剧情完全相反的干瘪版小鲜肉，表情腼腆，搭档臃肿，每一集不是被揍就是受伤，时不时瞪着神经质般的大眼睛看着嫌疑人，就像有罪的不是对方而是自己一样的主角，我也欣然决定收入囊中。剧荒的朋友们，你们有救了。

这个系列剧其实2013年就出第一季了，一季四集，每集90分钟左右。你看，人家不会动辄八十集。但是随便一个画面拎出来，你都觉得像油画一样有质感。做迷你剧，人家是真的预备要迷倒你的。今年已经出到第五季，不要小看这么多年的跨度，说明你可以看很多集啊，而且破案剧每集你肯定不止看一次，想想都觉得生活充实，不要谢我。

但是为什么一直没有像《神探夏洛克》一样大红？或者至少像《唐顿庄园》一样有名？这是个毁誉参半的事。开始我对主角的描述就说明了一半的答案。主角的设定通常跟剧情节奏很有大关系，也跟情节推进和画面有很大关系。咱们这个剧，很明显就是英国阴郁小伙初长成，缺乏美剧常有的那种吸睛大法，就跟英国本身的特点一点，他觉得自己有历史，厚重，所以案件不是发生在学校，就是博物馆，动辄一串历史人物，历史典故，还有厚重的文化画面，沉甸甸地砸过来，对的，大部分你可能都不知道，如果你不是英国历史爱好者。然后就枯燥了吧？论接地气和神同步地制造快感，谁比美剧强？所以很多人可能就算看了第一集，也可能不想再追是可以理解的。但是正因为该片拿腔拿调的铺排，让我觉得耳目一新。那你看多了漫画，偶尔是不是也要来本红楼梦压压惊？

好了，说了那么多，是时候推进到剧情部分了。

一季四集，每集一个独立的故事。在每集开头，会剪辑很多跟案件相关人物的画面，非常重要，建议你仔细看，虽然丢过来的四五个人你一个也不认识，他们做的也都是不相关的事。而且你看了也晕头转向（我就是这样）一集看完以后我才明白导演的用心，所以又回过头去看了一遍。然后就开始发生案件，此剧剪辑真的很棒，所有跟案件相关的人物和事件平行进行并丢给你。当你懵懂之中，好，有人挂了，案件发生了。主角出场了。其实英国人幽默起来也是很赞的，没有美国人那么外露咄咄逼人，英国人自有自己的绅士品格，他们的自嘲都是有底蕴的。所以不时会安排一个人过来问“你真的是警察”因为主角就像我开头说的那样，整一个邻家少年初长成，但绝对不是刘昊然那种像挂着奶瓶的娃娃型。他破案的激情就像你家为了高考能上北大清华对除了学习以外任何事都噤若寒蝉的神经高度紧张和衰弱的高中生一样，专注，紧张，敏感，细心。跟所有影视及小说里被塑造出来的大名鼎鼎的侦探们不一样，最不一样的是，他身手也不一样，我开始说了，在破案过程中，他经常被揍或者意外受伤，主角光环忘了带，导致我看到他单独行动就很担心，看来英国人的套路，真的跟大多数英雄式侦探不一样。英国人比较内敛。当第二季第二集，最后被救的女孩子走过来感谢他，给了他一吻，主角腼腆的低头一笑，简直了，你这是高中毕业了没有啊啊啊啊。挺好的，说明英剧呈现了世界的多样性，并不是每个侦探都像007一样，无香车美女不破案。

不过呢，主角的搭档星期四大叔的造型，太像希区柯克了，所以我经常会错觉他才是主角，用他的大烟斗和睿智的脑袋破案。而实际上，他存在的目的就是为了一路扶植我们的神经质腼腆男主角。在他剑走偏峰的时候纠正他，在他四面楚歌的时候相信他，在他体力透支的时候保护他。这不是同事啊，这是老爸的剧本啊啊啊。

我需要告诉你们每一集说的是什么故事吗？说了你们还要看吗？所以还是不说了。不过我想说的是，大胆怀疑小心求证，你可以怀疑从第一个镜头开始出现的每一个人，但是你最好在将近尾声的时候仔细听主角的分析，此剧的特点就是，他不会把所有的线索一开始就抛给你，所以看电视中途不要看手机，很多线索是慢慢一步步被主角找到的，以及，众多可能你看完还分不清的长串的名字，外国人就是这点烦。最后当主角揭示一切的时候，你不认真看会觉得很突然，好像开挂一样的读真相。但是我再看一次时，会感觉一切都可以自圆其说，还是自己不够细致。

但是美中不足的吐槽还是有的，每集最后会有一个类似黑幕的引子，表示罪恶剧透，未完待续，问题是新一集就忘记这个梗了，老兄，你这个钩子，甩的极度不负责。纯粹是为了吊住大家一周而做。

最后我还是想说说，每个国家拍戏都会进行意识形态输出，也会进行各种经济利益输出，比如说美剧，经常用美国风光来切换画面，每次我看《cs》就对迈阿密充满了向往，每一集都被洗脑一次，而英剧呢？每一集的画面都在说，我们是个有历史的国家，我们是个有文化的国家，快来我们国家感受人类恒久长远的文化吧，真的，你看这些都是娱乐剧啊，文化输出是润物细无声的，而不是高喊我们是有五千年历史的文明古国。我们的剧，基本上不这么搞。破案就几个人几具尸，婆媳吵架就从家里吵到公园，从公园吵到厨房，职业剧就办公室一群俊男靓女几套衣服多角恋爱，从酒吧撕到大街，又从大街撕到车站，一点文化输出，地域特色都没有。哎，怪我要求太高。

假如你也去看了此剧，假如你没看懂或者看完意犹未尽想讨论案情，找我！真的很想把案件来龙去脉写出来跟大家交流，又怕剧透，很纠结啊。

2018年6月11日 2am

当你看电影时

其实在看自己到不了的人生

不如长按下图

识别二维码关注我

让我们一起聊聊

人生的无数个可能

《寻梦环游记》这段隐藏剧情，发现它才算真正看懂这部电影

Sat, 02 Dec 2017 15:46:59 CST

这里来探讨下，《寻梦环游记》背后的隐藏剧情。

华纳和吴宇森可能怎么也没想到，一部前期低排片的动画会依靠口碑爆棚，生生杀出一条血路，票房登顶。仅仅在国内上映四天，《寻梦环游记》的排片就已经与《正义联盟》和《追捕》并驾齐驱——实际上在一线城市，Coco 的排片已经超过正联和《追捕》。相比正联在国内铺天盖地的宣发，和靠《英雄本色》重映助威的《追捕》，Coco 的成功所依靠的，更多的是电影质量本身。

皮克斯的金字招牌在业界有口皆碑，但是在并入迪士尼之后，难免被诟病为了赚钱压缩制作周期而导致作品质量下降。确实这两年来除了《头脑特工队》以外，皮克斯也没什么佳作，今年的《赛车总动员 3》也是典型的捞钱续作，诚意寥寥，直到 Coco 上映。

Coco 有多好？这么说吧，我周末刷了两次，除了自己哭成狗以外，还能感觉到起码半个电影院哭成狗。电影散场坐电梯离开，还能听到有观众在讨论「为什么这么好」、「为什么我们拍不出来」等等。

无疑，皮克斯对于这部动画的处理是非常用心的，整个亡灵世界设计得相当精妙——这里顺便插一个传闻。据说按理因为有亡灵元素，该片是不能过审的，但是因为审片过程时当场看哭了广电审查人员，于是破格通过了——因此，如果深挖世界观设定，我们其实可以找到这部电影的一条暗线——关于电影名称由来，Coco 本人的暗线。

影片里关于人类世界和亡灵世界有一个比较明显的设定，就是亡灵的模样是和其死亡时刻一致的，这一点看过电影的人稍微回忆一下就能理解。亡灵世界显然没法生育，还有一些小孩存在，应该是小小年纪就因为意外去世了。

从亡灵世界来看，老祖宗伊梅尔达去世时年纪应该没进入老年。而电影开头的独白中，有出现 Coco 带着未来丈夫见伊梅尔达的情节，所以总体来说，伊梅尔达去世时大约在五十左右，是个比较合理的判断。

我们可以看到，在目前米格尔的家族中，管家的是米格尔的奶奶，Coco 的女儿（女儿的可能性还是远大于儿媳），因为伊梅尔达强势的性格，整个家族女性地位通常较高，Coco 的老公以及米格尔的爷爷，可能都是入赘。这点在亡灵界也有体现，家族男性成员性格会偏弱势一点。而家里最反对音乐的，正是米格尔的奶奶。

理论上，伊梅尔达很可能见证了米格尔奶奶的出生，并教导过一段时间，但大概率没有陪伴很久就去世了。那么，米格尔奶奶对于音乐极端地痛恨，仅仅是出于伊梅尔达的教导吗？我个人猜测，教导米格尔奶奶如此痛恨音乐的人，Coco 本人就是其中之一。

我们知道 Coco 自己保存了被从全家福撕下来的父亲的脸部照片，但是在伊梅尔达去世后，家族一切事物都由 Coco 操持的家族年代中，埃克托也没有回来一次。说明 Coco 从未在这段时间里，把照片补全，将自己的父亲照片，摆入家族灵堂。

所以《寻梦环游记》的暗线是什么呢？是 Coco 谅解父亲的一生。在被埃克托「抛弃」以后，愤怒的不仅是伊梅尔达，同样的，还有 Coco。她恨父亲抛弃了自己和母亲，也恨音乐，但她不知道父亲是否死亡，或者在哪儿，因此把父亲的照片藏在自己的抽屉中，又不愿放上家族灵堂。直到人生到了垂暮之年，心里只有再见父亲一次的愿望，才会指着过去的照片叫爸爸，以为爸爸回来了。

我们很难想象 Coco 的一生，在年幼时以为自己被父亲抛弃，被强势的母亲拉扯大，一个人操持着整个家族，直至夜深人静，或许才会打开抽屉，看一看父亲的脸，读一读父亲寄来的信，哼着 remember me，回忆过去快乐的时光。或许，这才是为什么影片叫《Coco》的原因。

所以，当米格尔弹起 remember me 时，她才在记忆最深处找到了父亲，也终于在临近死亡之时，谅解了父亲。这部动画，不仅仅是米格尔的追梦和成长、埃克托的忏悔和归家。

也是一个九十多岁的老人，与自己父亲和解的一生。

为什么购物中心一层都不设有卫生间？电影院为什么在顶层？超市为什么在负一层？有什么固定的规划模式吗？

Thu, 19 Oct 2017 21:00:11 CST

不废话，直接回答问题吧。

一、 为什么购物中心一层都不设有卫生间？
这个问题不能一概而论，成都这边我逛过的购物中心设与不设的都有，自己做过的项目也有设和不设的。自己总结了一下，不一定对，说出来和大家分享一下。 信息收集自自己项目经验+逛街经验，不一定准确，希望知道的各位指正～
1. 不设卫生间的都是一些比较老、单层建筑面积小、地理位置比较好的，如春熙路伊藤、大业路财富中心、伊势丹、新世界百货。这些地方人流量太大，不设可以避免沦为公共厕所。而且本身地理位置很好，单层面积又很小，首层都是寸土寸金的，用来做卫生间太可惜了。
2. 设卫生间的都是一些比较新、地理位置不那么黄金、单层建筑面积比较大的，如华置广场（现在卖给恒大改作恒大中心了）、锦华万达广场、万象城、大悦城、瑞安城中汇、来福士广场、铁狮门晶融汇等等。这些项目一些本身体量较大，首层不设卫生间逛起来确实很不方便。或者地理位置不算好，人流量比较小，能够成为公共卫生间至少还能吸引人流。成都这几年的商业竞争太惨烈了，空置率、关铺率直线上升。

以上，似乎可以得出一个结论： 貌似新建的购物中心首层基本都有卫生间了。不知道其他城市的情况，请了解的朋友提供相关资料。

二、电影院为什么在顶层？
说到这个问题，就必须提到商业中“主力店”的概念。我理解的所谓的主力店，就是那种承租面积大（动不动好几千平米）、目的消费性客流量大、对其他业态带动能力强， 但租金非常低的商家（可能低过开发商成本）。按照这个标准，不管你招商时怎么玩儿花样，主力店也无非就是电影院、KTV、滑冰场、健身房、超市这类的，这两年最多再加上HM、ZARA、优衣库这类的快时尚品牌。不要给我说方所这类的小众奇葩，你以为所有的招商团队的能力都像太古、九龙仓那么逆天么～

主力店的租金非常低，这是确定了它放在顶层或地下的首要原因。同时它带动人流量大能力很强，所以从商业运营的角度来看，它怎么都不应该被放在低楼层那些寸土寸金的地方。一方面商家承受不了那么高的租金，另一方面你看完电影直接从门口出去了，其他小一点的商家还怎么做生意啊？顺便提一点，购物中心中单位面积租金最贵的并不是你一眼就看到周大福、兰蔻，甚至LV（相反，LV之类的租金反而更便宜，因为它们可以提升一个商场的逼格和档次），而是那些位于商业流线转角处、面积十来平米的奶茶店、果汁店、小饰品店。这些店铺不仅租金高，而且承受上涨能力强。因为他们真的很赚钱。

客观来说，电影院无柱的设计也是它需要位于顶层的一个重要原因，但并不是首要的。因为和租金比起来，所有的技术问题都不是大问题， 除非是规范中的强条。这个被甲方各部门要求虐成狗的设计人员都应该懂～～电影院放在低楼层结构方面无非就是需要做转换，梁抬柱什么的，这些没有技术难度，完全可以实现。就像酒店的宴会厅经常是600m2～1000m2、20m以上的跨度、位于N多层塔楼下方。而且电影院放在顶层，从技术上来说经常面临的是消防疏散楼梯数量增加、占用以下楼层商业面积，以及晚上商场关门后的人流动线的管理问题（人流不能经过商场内，一般单独设置观光电梯直达首层）。但这些问题都不需要付出过高的代价就能解决。所以如果有一天发现电影院放在首层更赚钱，大跨度梁抬柱的结构转换做就是了呗。所以还是钱的问题～

三、超市为什么在负一层？
因为超市也属于主力店，这个问题的原因，在上面电影院那一部分也有提到过了，其他答案也有提到过目的消费、不需要橱窗展示、方便顾客购物后直接下停车场等因素。我就不展开再说了，这里从一个比较特别的角度来说一下： 为什么电影院中顶层，超市在地下。它们的位置可不可以换过来？你见过换过来的吗？我相信至少在稍微新一点的购物中心中你都没见过这样的规划吧？

答案是：不能！其中最重要的一条就涉及到上面提到的“除非是规范中的强条”了。在我国的防火规范中，电影院被定义为娱乐场所，若设于地下，其地面离正负零的地面高度不得大于10m。什么概念？按好多影院运营方的设计标准，好多3Dmax、Imax的屏幕都放不下了，没有3Dmax、Imax影厅的电影院你还会去看吗？PS：成都太古里的百丽宫影院例外，因为他家是开放式街区，本身地上就只有两层局部三层。所以他们没有IMAX影厅，但本身项目逼格满满，生意也还不错。

超市放在地下的好处有很多，最大的好处就是后期招商改造的灵活性。在建筑设计之初，招商通常都是没有确定的（资源整合能力逆天的万达除外），你最多只知道哪一块要用作超市。你永远不知道那些坑爹的华润万家、家乐福、永辉、尤其是成都这边很火的伊藤洋华堂进来之后，会把哪一部分用作是生鲜区、水产区、甚至给你做超市内部整出个小型的美食广场来。这些业态都需要排水好么？而你设计规划之初是不知道他们位于哪里，你总不可能把一个5000m2的超市全部做上排水吧？唯一的办法就是等超市方那些大爷进来后，把业态规划图发给你后，你再去改设计、增加排水管。如果你把超市放在地上或顶层，下一层已经装修完了封吊顶了，你怎么去做排水管？而如果超市位于车库上方，这个问题就好办了。

来源：知乎 www.zhihu.com
作者：某人

【知乎日报】千万用户的选择，做朋友圈里的新鲜事分享大牛。点击下载

此问题还有 102 个回答，查看全部。
延伸阅读：
商业地产如何才能走出同质困境？
为什么房地产企业规模都很大，但是市场集中度很低？

哪部电影的哪一幕让你直接泪崩了？

Wed, 21 Jun 2017 21:48:26 CST

"你心中的苦痛仿佛触手可及，

如果我伸出手臂，我会触碰到你，

我会感到难过和不安，

我悉数着你根根痛苦的睫毛，

我甚至可以感受到你泪水的滋味……

从来没有一个人的脸，

像你现在这样贴近我的脸…… "

——让·爱波斯坦《你好，电影》

电影给我们带来了很多重人生的体验，哪一幕，你曾经猝不及防潸然泪下？

我们在微博@WeLens 问过这个问题。

粗略统计了一下，提到次数最多的是《天堂电影院》的结尾，和《忠犬八公》最后八公奔波憔悴的画面。下面是更多精选的分享：

@小花哥还没睡醒_

《断背山》四年之后相见，杰克说无法忍受这么长时间才能相见，恩尼斯大吼说：“那你就离开我！”

@不知是脆弱还是坚强的美

《霸王别姬》，张丰毅说出，“我是假霸王，你是真虞姬”的瞬间。

@谭鱼鱼鱼

《天佑鲍比》，妈妈醒悟儿子同性恋不是错的那段和后面捍卫同性恋权益的讲话。

@AFKed、啊啊啊啊啊心

《西西里的美丽传说》，人们总是喜欢摧毁美丽的东西

@NANAASKA

《无人知晓》，哥哥埋妹妹。

@_ssakki

《被嫌弃的松子的一生》，龙洋一出狱，松子等了他八年。一拳打过来时，松子趴在雪地上用最后的力气说，“为什么……” 抱在手里的玫瑰撒了一地。

@部分的奥立弗

《末代皇帝》。

@暴走糯米豆

《情书》，空旷的雪地里对着藤井树喊话那段。

@嘉李Jane

《东邪西毒》，我曾经问过自己，你最喜欢的女人是不是我，现在我已经不想再知道了。如果有一天我忍不住问起，你一定要骗我，就算你心里有多么不愿意，也不要告诉我，你最喜欢的人不是我。

@OdaDeLaPan

《远山的呼唤》，最后在火车上，倍赏千惠子与高仓健相见那一幕。

@楚留仙儿

《海上钢琴师》，最后一幕，哭了一个小时。

@amorfatIreal

《卡罗尔》，特芮丝读卡罗尔的那封信的时候。不能说是泪崩吧。整部电影堆积的情绪在这一幕迸发出来，却安静地，心痛的迸发出来，"every thing comes full circle "。

@呆恼

《海边的曼彻斯特》，Lee举枪自杀那个镜头。

@雾絡

《忠犬八公》，当女主再次回到家乡，看到渐渐老去的八公依然守候在车站，女主过去抱八公的时候。

配图是小贩对八公说的话，也是很多网友提到的泪点

@楼梯右转的房间

《大话西游》，看一遍深刻一次。

@迟到小王子啊

《这个杀手不太冷》，“我爱你，里昂。”

@小生桉池

《阿郎的故事》，摩托车燃烧那一刻。

@一匹肥鱼

《蓝宇》，“我真想抱抱你”。

@云蝴不喜

《飞跃疯人院》，男主在疯人院的床上被人杀死的时候。

@波纹疾走霄丸童

《雨人》，最后弟弟和哥哥的额头碰额头。

@cocoslim：

《爱乐之城》，他们没在一起。

@朱元鄣

《再见童年》，最后，神父被德国盖世太保以庇佑犹太人带走的时候。“再见，孩子们” “再见，神父。”孩子们陆陆续续说。

@正义的小伙伴Paul

《怒》，最后被强奸的女孩朝着大海大声哭喊的时候。

@Alotsec

《中央车站》，小男孩和女人分别的时候，女人把小男孩送到他父亲的家里自己悄悄走掉，小男孩从屋子里跑出来去追她的车，但是追不上了。“过不了多久你就会忘了我这个老太婆的”“我怎么会忘记你呢”“人都是这样的”“我不是”。

@Vi酱啊

《萤火虫之墓》，妹妹死的时候。

@胖小月

《秒速五厘米》，列车经过之后没有人等在原地，剩下空荡荡的街道。

@大雁和我的保姆

《爆裂鼓手》，男主最后返台敲鼓的时候。

@胶片人

《美丽人生》。

@唐人凤

《天堂电影院》的结尾混剪。

知乎上也有很多知友分享过类似的内容，下面整理了一些推荐：

@知乎答主九歌

可能是《素媛》里的这一幕吧（素媛被性侵后进了医院救治，之后开始上学，但她有巨大的心理阴影，表现之一就是她惧怕所有男性，哪怕是爸爸）。在医院后爸爸帮她换裤子，她非常害怕。

看到爸爸会遮住自己不想见。

交代了前情，来说正题：从她出院后上学、放学就开始有一个公仔护送。

出院后第一天上学，扭头第一次看到公仔，露出了微笑。

上课时在窗外逗她。

有天素媛放学路上问公仔：“是爸爸吗？”公仔点了点头。

“因为我常常躲着爸爸，你才这样吧。

“热吗？”画面切到的是已经浑身湿透的爸爸。

素媛：“回家吧。”

当素媛能够说出：“回家吧”，并拉着爸爸的手，这一切是多么不容易。她受伤的内心肯定被治愈了一部分。虽然这远远不够。

罪犯犯罪后试图钻空子脱罪，但受害者一家却要承担起极为惨痛，长远的代价。作为受害人父亲的他只能尽力去呵护，去温暖，治愈了一部分。

@知乎答主上古天真：

《小鞋子》：哥哥为了一双鞋子的奖励，去报名参加了一个跑步比赛。比赛前，他跟妹妹郑重保证，会获得第三名，赢到那双鞋子送给她。最后哥哥得了第一名。

第一名的奖励，不是鞋子。他失约了。获得冠军后，学校领导们非常高兴，让小男孩一起合影。摄影师叫小男孩抬头笑一下。一抬头，小男孩失落的眼泪流满了双颊。

@知乎答主口口东

《甜蜜蜜》：重看电影时，发现豹哥才是最深情的那个人。豹哥死的时候，李翘没有哭，直到停尸房认领的时候，镜头给到背上那只米老鼠，她先是苦笑，无奈，然后隐忍的哭泣。

@知乎答主彭可涵

《穿条纹睡衣的男孩》：男孩在后花园遇见了和他一样大的犹太男孩，不过犹太男孩穿的是“条纹睡衣”，还有编码。两个小孩就这样做了朋友。

后来，男孩答应犹太男孩一起去寻找他的父亲。他脱下来自己的衣服，换上了他以为的“条纹睡衣”和犹太男孩一起找犹太男孩的父亲。等父母发现时，男孩和犹太男孩已经被赶进了一间封闭的屋子里了，士兵正在往里面放毒气。两个男孩的手紧紧地拉在了一起。

@知乎答主刘利

《辛德勒的名单》：最后辛德勒哭着说“这个可以换两个”的时候，以及最后他所救的人的后裔给他的墓碑摆石子的时候。

@知乎答主崇崇

《战场上的快乐圣诞》：劳伦斯先生去看望他的老朋友，如今他们的身份掉了个儿，大原上士成了俘虏，枪决第二天举行。

片刻，劳伦斯起身，行礼，离去。大原叫住了他：等一等！然后对着他露出一个微笑，毫不勉强的，甚至有些幸福的微笑。那笑容憨厚而温和，有隔年的风霜，他说：“圣诞快乐！劳伦斯先生！”

¯¯¯¯¯¯¯¯¯

图片来自网络，版权归原创者所有

部分案例来自知乎，文字有适当精简

¯¯¯¯¯¯¯¯¯

你还应该看看

☟

这一次，伍迪·艾伦给了她“从未有过的婚礼”......

她是如何一路开挂，成为美国最会演的阿姨？

于佩尔对话贾樟柯：“我很喜欢孤独，因为可以得到思考”

“我的全部野心，就是快乐地生活。”

▼ 点击观看“Lens·重逢岛”原创视频 ▼

点击“阅读原文”直达微店购买《视觉011：我宁愿让自己迷失一会儿》加送Lens定制纸封哟

看电影能止痛，还能增强集体归属感

Wed, 09 Nov 2016 23:00:00 CST

文/ 时悦

插图by Serena Malyon

导读：随着《奇异博士》，《神奇动物在哪里》，《我不是潘金莲》，《比利·林恩的中场战事》等好片相继登陆，我们终于迎来了电影史上最强十一月。探讨完讲故事是有效的沟通方式，玛丽苏的六种套路，以及神经学怎样帮助我们看电影，我们发现，看电影能止痛，还能增强集体归属感。 看来团建活动选择看场情感激烈的电影也是一个不错的选择。

虽然影视作品和文学作品在人类社会和所有文化中都占有举足轻重的地位，但看小说，听故事，看电影好像并不能给普通人们带来直接的利益，那为什么人们愿意花大量的时间和金钱去做一件看上去没什么卵用的事情呢？

“讲故事” 的原始功能

在原始社会中，讲故事是每晚夜话的必备节目。神话，知识，文化意识形态都以故事的形式不断传承。在分享故事的过程中，人们会通过故事辨别对方与自己是否相三观相符，想法类似的人在这个过程当中更容易凝聚在一起，形成一个团体（Launay & Dunbar, 2015；Curry& Dunbar, 2013）。而各种规章制度也以神话的形式流传下来，用于约束内群体的人（Cornell, 1996)。比如，有一些非洲的部落不吃鸡肉，神话传说吃鸡肉将会立刻死掉。不能吃鸡肉这条规章制度，是以文化故事的形态流传并保存的，内群体认同这种价值，并遵守这条规定。

所以早在原始社会，讲故事就能帮助人们形成组织，找到组织，共享三观，管理部落了。电影作为故事的另一种演绎方式也自然承担着“世界人民大团结”的功能。但是，我们为什么一遍又一遍的被讲故事的人和剧作家取悦呢？

悲、喜剧会刺激内啡肽产生，让人更耐痛

在上一篇文章 为什么有些人天生爱作死中，我们提到内啡肽是一种类吗啡的活性肽，能够镇痛，让人产生快感。而一些研究表明，当人大笑或者做剧烈运动的时候，内啡肽系统会被激活，刺激内啡肽产生， 提高痛觉阈限，产生快感（Boecker etc，2008）。所以，看能让我们大笑的喜剧也能提高我们的痛觉阈限，让我们对痛感有更强的耐受力（Dunbar etc，2011）。

可如果我们看的是悲剧呢？

其实，痛感和快感在大脑中有相同的神经生物学基础（Leknes& Tracey, 2008)，刺激的事情无论是爽的还是痛的都能刺激内啡肽的产生。而我们对看电影听故事时产生的心理疼痛的反应同物理疼痛是相同的。 当我们感觉到疼痛，大脑中将会分泌内啡肽来镇痛，释放内啡肽缓解痛感，让我们对疼痛有更强的耐受力。一些研究也发现了，当人们看悲剧和喜剧后，能在冰水里忍受的时间更长（Weaver & Zillmann, 1994）。

所以，无论是喜剧还是悲剧，只要情绪起伏足够大，就能够引起内啡肽的产生，都能提高人的耐痛能力。

内啡肽的产生与群体归属感有关

一些研究发现，内啡肽作为大脑中的疼痛管理系统，在社会群体归属感和群体联结（group belonging/bonding）中起着至关重要的作用。

在猴群中，我们经常可以看到猴子之间会互相梳理毛发，帮对方挑出身上的虱子，我们称这种行为为social grooming，在灵长类中普遍存在。实际上这样做并不仅仅是爱卫生，更重要的是为了增强群体之间的归属感。研究也证明这种抚摸会让人产生内啡肽（Dunbar, 2010）。随后多个研究发现许多社交性的行为都会激发内啡肽的分泌，并增强社交行为内的群体归属感，比如大笑，唱歌，跳舞等（Dunbar et al， 2016）。

当人们融入社交行为的时候，大脑将产生内啡肽（这里的群体是指一起做某项事情的群体）。那么是否可以说，当内啡肽产生的时候，人更容易产生群体归属感呢？

牛津大学的学者Dunbar等人在今年做了这样一个实验来验证这个假设（Dunbar et al， 2016）。

Dunbar等学者将被试分为实验组和控制组，实验组观看A life backward（一个悲剧），控制组观看BBC的纪录片（中性情绪），四五人一组进行观看。观看之后用以下三个指标进行测量：

1） inclusion-of-other-in-self scale（IOS）测量人的群体归属感/联结感

2） Short PANAS affect scale 测量正性和负性情绪

3）利用罗马椅测量人在无背部支撑的情况下能够坚持多久（利用罗马椅做无背部支撑的锻炼，腰会很痛），测量痛觉阈限

结果发现

1）看悲剧会提高人的痛觉阈限，增强人对痛的耐受力

2）虽然总体上看悲剧会提高人的痛觉阈限，但并不是所有人都被激发出了负面情绪，没有被电影影响的人，痛觉阈限没有明显的改变

3）被电影激发出负面情绪的人，出现了较强的群体归属感

4）痛觉阈限提高的观众，也出现了较强的群体归属感。

这一结论验证了，情感激烈的悲剧和喜剧能够刺激内啡肽的产生，提高人的痛觉阈限，让人产生较强的群体归属感。因为，内啡肽不能被直接的观测到，测量比较麻烦，所以研究运用了相对简单的方法。内啡肽与群体归属感虽然有关系，但是究竟又怎样的关系，相关的研究还是相对匮乏的。

脑洞时间

一方面，故事作为一种娱乐消遣的手段，在古早时期实际上还起着“各族人民大团结”作用，而电影作为故事的另一种形式，也在某种程度上延续了这种社交功能。另一方面，情感激烈的电影，能够刺激内啡肽的分泌，提高对痛感的耐受力。

以后公司抽不出时间搞户外运动，团队活动也可以变成去看电影，能够像运动一样刺激内啡肽产生，让人产生快感，还能增强员工的耐痛能力和团队归属感，一举多得，省钱省时。

或者失恋的人可以去看场喜剧悲剧，增强下疼痛耐受力，也许可以早一点走出阴影，也没准就邂逅了另一半。

拓展阅读

感觉寻求倾向：为什么有些人天生爱作死？

为什么玛丽苏可以红遍半边天

把我的信息移植到你的脑子里——讲故事也能“洗脑”

Reference

Boecker, H., Sprenger, T., Spilker, M. E., Henriksen, G., Koppenhoefer, M., Wagner, K. J., ... & Tolle, T. R. (2008). The runner's high: opioidergic mechanisms in the human brain. Cerebral Cortex, 18(11), 2523-2531.

Curry, O. S., & Dunbar, R. I. (2013). Sharing a joke: The effects of a similar sense of humor on affiliation and altruism. Evolution and Human Behavior, 34(2), 125-129.

Cornell, S. (1996). The variable ties that bind: Content and circumstance in ethnic processes. Ethnic and Racial Studies, 19(2), 265-289.

Dunbar, R. I. M., Teasdale, B., Thompson, J., Budelmann, F., Duncan, S., van Emde Boas, E., & Maguire, L. (2016). Emotional arousal when watching drama increases pain threshold and social bonding. Open Science, 3(9), 160288.

Dunbar, R. I., Baron, R., Frangou, A., Pearce, E., van Leeuwin, E. J., Stow, J., ... & Van Vugt, M. (2011). Social laughter is correlated with an elevated pain threshold. Proceedings of the Royal Society of London B: Biological Sciences, rspb20111373.

Dunbar, R. I. (2010). The social role of touch in humans and primates: behavioural function and neurobiological mechanisms. Neuroscience & Biobehavioral Reviews, 34(2), 260-268.

Launay, J., & Dunbar, R. I. (2015). Playing with Strangers: Which Shared Traits Attract Us Most to New People? PloS one, 10(6), e0129688.

Leknes, S., & Tracey, I. (2008). A common neurobiology for pain and pleasure. Nature Reviews Neuroscience, 9(4), 314-320.

MacDonald, G., & Leary, M. R. (2005). Why does social exclusion hurt? The relationship between social and physical pain. Psychological bulletin, 131(2), 202.

McPherson, M., Smith-Lovin, L., & Cook, J. M. (2001). Birds of a feather: Homophily in social networks. Annual review of sociology, 415-444.

Weaver, J., & Zillmann, D. (1994). Effect of humor and tragedy on discomfort tolerance. Perceptual and motor skills, 78, 632-632.

来源：知乎 www.zhihu.com
作者：时悦Shadow

【知乎日报】千万用户的选择，做朋友圈里的新鲜事分享大牛。点击下载

看电影学英语 ‖ 十部经典电影中的十句经典台词

Tue, 08 Nov 2016 08:00:00 CST

1.《教父》

“Never hate your enemies. It affects your judgement.”

永远不要恨你的敌人，那会影响你的判断力。

2.《肖申克的救赎》

"You know some birds are not meant to be caged, their feathers are just too bright."

你知道，有些鸟儿是注定不会被关在牢笼里的，它们的每一片羽毛都闪耀着自由的光辉。

3.《阿甘正传》

“Life was a box of chocolates, you never know what you're gonna get.”

生活就像一盒巧克力，你永远不知道下一块会是什么味道。

4.《这个杀手不太冷》

"It's always the same thing. It's when you start to become really afraid of death that you learn to appreciate life."

事情总是这样的，只有当你真正感受到对死亡的恐惧，你才会学到要珍惜生命。

5.《廊桥遗梦》

"This kind of certainty comes once in a lifetime."

这样确切的爱，一生只有一次。

6.《少年派的奇幻漂流》

"Have taken place, why must be meaningful?"

发生了就发生了，为什么一定要有意义?

7.《V字仇杀队》

"There is no certainty, only opportunity."

没有一定会怎样，只有可能会怎样。

8.《勇敢的心》

"Every man dies, not every man really lives."

每个人都会死，但并非每个人都曾真正活过。

9.《罪恶之城》

"Sometimes, the truth doesn't matter like it ought. But you'll always remember things right."

有时候事实并不重要，只要你永远知道真相就好。

10.《灵异第六感》

"How can you help me if you don't believe me！"

如果你不相信我，怎么帮助我！

你最喜欢哪一句?欢迎在评论区留言哦~

豆瓣电影2016榜单：有人选择看到这世间的丑恶，有人选择看到美好

Thu, 29 Dec 2016 11:57:27 CST

面对近日的“恶评”风波，豆瓣的回应是一份榜单，一份满载好电影的榜单。

28 日晚上，豆瓣电影发布一年一度的榜单。这份榜单是基于 2016 年豆瓣用户在豆瓣平台对影视作品的评分、标记和访问数据，再结合评价人数和上映时间，综合考虑而成。今年豆瓣有哪些喜闻乐见的好电影？又有哪些你可能错过的冷门佳作？下面这份榜单或许可以给你答案。

2016 评分最高的华语电影：《驴得水》 8.3

指责“豆瓣评分对国产电影刻意打压”的声音，明显全然不顾豆瓣依然有许多高口碑高票房的国产电影的事实，如 8.3 分的《驴得水》票房 1.73 亿，8.1 分的《湄公河行动》票房 11.84 亿，7.6 分的《七月与安生》票房 1.67 亿。实际上，豆瓣早就不是那个文青扎根、充斥着小布尔乔亚情调的网站，它有足够的用户基数去代表最广泛的观影品味。

2016 评分最高的外语电影：《血战钢锯岭》 8.8

2016 最受关注的院线电影、评分最高的动画片：《疯狂动物城》 9.2

2016 最受关注的非院线电影、评分最高的韩国电影&科幻/动作片：《釜山行》 8.2

由于题材与剧情的限制，《釜山行》这部 2016 年有过千万韩国观众进场观影的电影，自然是无法在院线与中国观众见面。但这不妨碍它在中文互联网的广为流传，有 280350 名豆瓣用户在豆瓣上留下他们关于这部电影的感想，《釜山行》也成为今年最受欢迎的非院线电影。

2016 年度大陆独立佳作：《不成问题的问题》 8.2

2016 年度冷门佳片：《海蒂和爷爷》 8.9

2016 评分最高的日本电影：《比海更深》 8.6

2016 评分最高的欧洲电影：《一个叫欧维的男人决定去死》 8.7

在挖掘冷门、容易被忽略被埋没的好电影上，豆瓣也做到尽心尽力，《一个叫欧维的男人决定去死》就是典型。这部瑞典电影平缓、琐碎、缺乏真正意义上的戏剧高潮，讲述一个脾气顽劣的老人寻死的故事。电影一层层剥落了他自我保护的铠甲，显露出了柔软的内心，最后观众所能感受的唯有爱与温暖。

2016 年度 LGBT 电影：《小姐》 7.8

2016 评分最高的喜剧片：《完美陌生人》 8.6

2016 评分最高的爱情片：《你的名字。》 8.6

2016 评分最高的恐怖片：《招魂 2》 7.6

2016 评分最高的纪录片：《不了神话宫崎骏》 9.2

2016 评分最高的短片：《鹬》 9.2

2016 评分最高的大陆电视剧：《一起同过窗》 8.7

2016 评分最高的英美剧(新剧)：《我们这一天》 9.5

2016 评分最高的英美剧(非新剧)：《无耻之徒(美版) 第七季》 9.6

2016 评分最高的韩剧：《我亲爱的朋友们》 9.4

2016 评分最高的日剧：《火花》 9.3

2016 评分最高的其他地区剧集：《羞耻第三季》9.5

2016 最受关注的大陆电视综艺：《极限挑战第二季》 9.1

2016 最受关注的大陆网络综艺：《奇葩说第三季》 8.6

2016 评分最高的动画剧集：《马男波杰克第三季》 9.5

2016 评分最高的纪录剧集：《地球脉动第二季》 9.9

2016 最受关注的男演员：孔侑

2016 最受关注的女演员：长泽雅美

2016 最受关注的导演：李安

2016-2017 北美颁奖季热门佳片：《爱乐之城》 9.1

顺带一提，年度榜单的背景音乐《City of Star》是《爱乐之城》的主题曲。这部电影在威尼斯影展上映后好评如潮，豆瓣评分 9.1，IMDb 8.9，被视为明年奥斯卡的大热门。北美颁奖季的热门片单虽然不一定符合所有人品味，却一定是你我在漫漫假期、闲来无事刷片的重要指南。

2016 也是巨星陨落的一年，这一年，我们失去了阿伦·瑞克曼、大卫·鲍伊、凯里·费雪……

今年的榜单也不忘回顾过去、展望未来，比如今年还是《当幸福来敲门》上映 10 周年、《猜火车》上映 20 周年、《天空之城》上映 30 周年、《出租车司机》上映 40 周年。

而 2016 最让人期待的华语电影跟外语电影分别是《西游伏妖篇》与《加勒比海盗 5：死无对证》。网友给出的推荐理由也是相当的“李菊福”：

徐克 + 周星驰，活久见 ——游牧人·芳汀

2017 年，54 岁的男主角，干脆叫《加勒比海盗 5：老人与海》算了…… ——千岍

完整版榜单：豆瓣电影 2016 年度榜单

题图：《七月与安生》剧照

什么样的电影算是好电影？

Thu, 22 Dec 2016 08:00:00 CST

谢邀。

有很多好回答珠玉在前，我谈谈自己的看法。 我自己看待一部电影时主要有两个最重要的方面，技巧和价值：它的技术技艺是否成熟甚至有所突破？它是否具有可供言说的价值内容？而这两个标准同样也是，我以为，创作者在过程中需考虑的方面。

作为视听艺术的电影，其种类、形式繁多；单单以“好”“烂”来对一部作品一言以蔽，对于表达个人好恶而言是足够的；但任何人的个人喜好都不相同，甩下一句“我就是不喜欢”，固然掷地有声，但是十分无趣。尤其是对于电影学习者而言，如果没有一种相对明确的认识电影的标准，显然是不足的。

任何类型的电影都具有自己独特的、规范的技术技艺。同时这些技巧也是多变的、灵活的、可突破的。这就涉及到把握艺术创作的一个暧昧性的问题。“艺术电影”和“商业电影”从来都不是对立的概念，而是评论家和商业体系强加给电影艺术的残暴分野。我并不是否认有些电影具有更广大的观众群，而另外一些相对窄一些，而不同类型电影确实具有差别巨大的技巧特点；但是在“艺术电影”和“商业电影”这两个盾牌之后，有部分创作者堂而皇之地利用自己电影的“身份”，或矫揉造作扭捏作态，或利欲熏心忘乎所以，生产出一部部难称电影的残次作品来。

抛却概念的桎梏，任何电影都具有自己技巧的基本规范。比如许多观众常认为艺术电影节奏太慢，看不下去。其实任何叙事电影作品，都具有对叙事节奏、视听节奏基本技巧的要求。某些慢节奏并不意味着没有节奏，例如《聂隐娘》、《路边野餐》这样的电影，就是利用了慢节奏来辅助叙事，或者块面化或者碎片化。相对的，对叙事节奏的把握在类型电影中就具有不同的技巧，《谍影重重》系列擅长张弛有度的快节奏叙事，辅以跳接、快速剪辑等视听手段，把快节奏做到了极致。

电影的创作技术技艺极其丰富，叙事、调度、剪辑、摄影、表演、音响、音乐等等。无论何种类型的电影，若能在自己的类型架构之下把这些方面的技术技巧做到完善，那至少在这方面是值得肯定的好电影。而至于评判的标准，除了电影理论多年来积累的基本规范外，就更要考虑影片是否把各项技巧糅合完善，以及评判者自身的观赏口味、能力和水平；对于评论家而言可能是从某个角度切入的洋洋洒洒纸上文章，对普通观众而言可能是一种“感受”或说“喜好”。《罗曼蒂克消亡史》得到了两极分化的观众反应，不外乎其叙事上的技巧（非线性叙事）、人物写作的技巧确实高明，而其在调度、表演以及气氛营造方面颇具风格，但这种风格是否好看，就是见仁见智的事了。

当然，评论者轻飘的几句话就能概括的技巧问题，创作者真在实践上则需要长时间的练习，加上种种内因外因，机遇偶然，可能才能趋于完善。而这些技巧内部所包含的创作方面又实在太多，除了自身专业能力之外，还有日常剧组工作中的各项安排、人际关系，拍摄环境的现实条件，资金和管理问题等等……要成为一个成熟而有技艺在身的电影工作者，实在不易。

如果说电影工作者的专业能力决定了其作品技术技艺的水平，其内涵修养、学识品性则可能影响到电影的内容价值。电影作为艺术形式，理想化地来说，其意义终究是表达艺术家对世界的某种认识和看法；而艺术家本身的价值观念就决定了其输出的作品所包含的内容高下。我们常看到各类所谓“影评文章”对电影“主题”评论指点，就包含在电影的内容价值之内。我们常举的极端例子是《意志的胜利》与《一个国家的诞生》，然而里芬史塔尔与格里菲斯的观念受政治与时代所限，其价值高下更多地被评判于政治理念的范畴之内，学术的意义更浓些。

与我们现今所接触电影更相关的价值问题，是庸俗、无趣。周星驰的许多作品为何经久不衰，除了它们在喜剧电影技巧上的突破以外，还包含着市民阶层对孤独、渺小等话题的价值展示。换句话说，由于包括《喜剧之王》、《唐伯虎点秋香》这些作品在内的周星驰电影，塑造了鲜活而富有个性的人物形象，给予了他们荒诞、不幸的生活命运，它的主旨和意义是很明确并且非常有力的。反观许多现在充斥着银幕、荧屏、液晶屏上的视听作品，独以喜剧作例，大多不但毫无幽默感，也空虚无聊，有些强行拼凑，让主角最后悟到某个大道理；有些更甚至毫无内容可言。

好电影的内容价值，不是能通过一句话就概括出来的。它是这门艺术形式通过自己的技巧所营造出的艺术感染力。没有价值的电影是绝无可能有艺术感染力的，技巧再优秀也毫无可能。

一落笔写了这么多，总之我认为，好电影的最主要的两个方面，就是技巧与价值。我们难以将《2001太空漫游》、《摩登时代》、《低俗小说》放到一起比较高下，正是因为不同类型电影的技巧，门类相同，但技艺标准不同，但不妨碍他们在各自标准之下被称之为“好”。但我们又能够将所有电影放在一起讨论，其原因是作为艺术，它们共同表达着人类对于内部和外部世界的永恒感受与探寻。

其实这就是艺术形式与艺术内容的评判。
而说到最后，其实 形式就是内容，内容就是形式。

李安：这六部电影，改变了我的一生

Sun, 19 Mar 2017 13:55:11 CST

李安｜来自网络

李安电影里东方美学与西方表达的贯融，使他成为鲜少的，能同时被世界主流电影观众接受并喜爱的导演之一。以下这六部电影，是李安选择的对其影响最深的作品，我们可在其中感受他在情感、美、艺术与精神上的平衡；同时他也强调：“ 这些不是我的最爱，但他们改变了我的人生”，分享给读者一窥究竟。

以下排名不分先后

2001太空漫游（ 2001 : A Space Odyssey，1968）
导演: 斯坦利·库布里克（Stanley Kubrick）

《2001太空漫游》剧照｜© Warner Bros. Ent.

我喜欢库布里克的电影，其中《2001太空漫游》是我最爱的一部。他的思想是一出纯粹的视觉盛宴——而他做的，超越了他的时代。他怎么能摆脱原生时代的禁锢？以致有如此多的后来者——比如《星球大战》都受他影响。

我在看《2001》时感受到的，是他对这部电影倾注的强度。看的时候我差不多十三四岁，已经记不清看这部电影的缘由。我电影开蒙并不早，没有艺术电影的意识，我是看中国电影和好莱坞电影长大的。当看到《2001》的时候，我为之错愕。我并不理解它拍的是什么，但却为之着迷， 我知道我看的是与众不同与极富艺术性的东西。又看了一遍，我仍然不懂这部电影是关于什么，但那不要紧， 因为我意识到了，一个电影工作者所做的，不仅是讲一个故事。

假面（ Persona，1966）
导演：英格玛·伯格曼（Ingmar Bergman）

《假面》剧照｜来自网络

《假面》是我个人的最爱之一。当我第一次看伯格曼的电影时，我意识到自己是在看一部艺术电影——不像我14岁时恍然不知的模样。

那时我差不多18岁，在（国立台湾大学）艺术学院就读。一天，我跟着某人去了电影俱乐部（看到了《假面》），我感觉被电击了！那是一次改变人生的经历，它有力地击中了我—— 怎么能有人以如此优美地方式追问“上帝在哪？”这样的问题呢？那真的是一次绝妙的经历。

偷自行车的人（ Ladri di biciclette，1948）
导演：维托里奥·德·西卡（Vittorio De Sica）

《偷自行车的人》剧照｜来自网络

我天生擅长处理情节剧，或是有趣以及充满情感的作品，我自知特长所在。但在这部电影——以及所有意大利新现实主义电影作品，他们都将情节剧提高到一个不同的水平—— 一个超越情节剧的哲学与社会学的层面。这对我影响很深。那些电影都是在我非常年轻时看的，并给了我很大触动。

最近的电影都很难打动我，因为我知道他们是如何制作的，我不禁想要探究他们到底想要做什么。这是一个职业范畴的问题，但我年轻时就只是在吸收。

群鸟（ The Birds，1963）
导演：阿尔弗雷德·希区柯克（Alfred Hitchcock）

《群鸟》剧照｜来自网络

随着我年岁日长，我觉得自己更欣赏希区柯克了。他电影里的乖僻——这是我之前所没能注意到的。我最喜欢他的《群鸟》——挥之不去又毛骨悚然。

看这部电影的时候我还年轻，所以看到的只是可怕的鸟群——仅此而已。但现在年长了一些，我能看到这是一部关于变态与女性性欲的电影，就是你看到鸟群时，会有躁动不安的感觉。 当那些女人们愤怒时，这是一种性方面的躁动。鸟儿们活跃时，正与那些女人的情绪——猜忌、愤怒所同步。这种做法非常的有效，简直是天才。

罗马风情画（ Roma，1972）
导演：费德里科·费里尼（ Federico Fellini）

《罗马风情画》剧照｜来自网络

我最喜欢的电影都是那些我惨不透为何喜欢的作品。我仅是为之着迷，却并不想要分析它们。《罗马风情画》极具讽刺意味，但又很激发灵感。 它是神秘的，如同触及你的潜意识，而你甚至没有言语能将之表达出来。

我真的十分衷爱费里尼，甚至包括他的早期作品，比如《大路》（La strada，1954）。我会放肆大哭，这些能催人泪下的电影，也恰好是艺术水准极其高的作品。

晚春（ Late Spring，1949）
导演：小津安二郎

《晚春》剧照｜来自网络

《晚春》非常的东方，具有一种低调的艺术性。一出庄重、缓慢的家庭剧。结尾处，当女儿嫁人离开周吉后，他削着苹果皮，停顿了一下。

当你有了一些确切的人生经验，你会发现不知怎的，生命总会有些令人失望。这种刺痛感，小津安二郎描绘地非常出色。 因为这种感觉太过内敛，以致击中你时，你甚至无法分辨原因。它不像设计好的戏剧那样，让你被触动时能够清楚地辨知。

小津是一名伟大的匠人，我并不特别喜欢他片中的表演部分——不是非常生动，但并之总体来说，电影的美感、剧作、构图都内敛克制得恰到好处。

作者：李安
翻译：深山老腰
校对：Piggy
原文标题：Ang Lee: six films that changed my life
来源：BFI

Java豆瓣电影爬虫——抓取电影详情和电影短评数据

Tue, 24 Jan 2017 07:58:42 CST

动机

采集豆瓣电影数据包括电影详情页数据和电影的短评数据。

电影详情页如下图所示

需要保存这些详情字段如导演、编剧、演员等还有图中右下方的标签。

短评页面如下图所示

需要保存的字段有短评所属的电影名称，每条评论的详细信息如评论人名称、评论内容等。

数据库设计

有了如上的需求，需要设计表，其实很简单，只需要一张电影详情表movie和一张电影短评表comments，另外还需要一张存储网页提取的超链接的记录表record。

movie表

movieId：主键，自增长
Name：电影名
Director：导演
Scenarist：编剧
Actors：主演
Type：类型
Country：制片国家/地区
Language：语言
releaseData：上映日期
Runtime：片长
ratingNum：豆瓣评分
Tags：标签

　　comments表

commentId：主键，自增长
commentInfo：评论内容
commentAuthor：评论者
commentAuthorImgUrl：评论者头像链接
commentVote：评论点赞数
commentForMovie：评论的电影名
recordId：链接record表，暂时未用到

　　record表

recordId：主键，自增长
URL：爬取解析的超链接
Crawled：是否被爬过

注意：数据库设计是在不断调整的，比如之前设计了一张tags表，用于存储每部电影的标签，经过调整发现直接放到movie中作为一个字段更加方便，又比如comments表中，commentForMovie是后来加上的，方便查找当前的评论针对哪部电影。

使用的技术

语言：Java（语言是一门工具，网上用python,java,nodejs比较多）

数据库：Mysql（轻便易用）

解析页面：Jsoup（比较熟悉httpparser，虽然功能强大，但是稍显繁琐，这里用Jsoup，因为其为类javascript语法）、正则表达式（对于一些结构比较奇怪的dom结构，采用了正则表达式的方式来提取信息，其实也可以用xpath，但是xpath极易受dom结构变化而失效）

比如对于网页源码如下

<!DOCTYPE html>
<html lang="zh-cmn-Hans" class="ua-windows ua-webkit">
<head>
    <meta http-equiv="Content-Type" content="text/html; charset=utf-8">
    <meta name="renderer" content="webkit">
    <meta name="referrer" content="always">
    <title>
        肖申克的救赎 (豆瓣)
</title>

    .....

    <meta name="keywords" content="肖申克的救赎,The Shawshank Redemption,肖申克的救赎影评,剧情介绍,电影图片,预告片,影讯,在线购票,论坛,肖申克的救赎在线观看,肖申克的救赎高清,肖申克的救赎在线播放">
    <meta name="description" content="肖申克的救赎电影简介和剧情介绍,肖申克的救赎影评、图片、预告片、影讯、论坛、在线购票、肖申克的救赎在线观看、高清、在线播放">

.........                  

<div id="info">
        <span ><span class='pl'>导演</span>: <span class='attrs'><a href="/celebrity/1047973/" rel="v:directedBy">弗兰克·德拉邦特</a></span></span><br/>
        <span ><span class='pl'>编剧</span>: <span class='attrs'><a href="/celebrity/1047973/">弗兰克·德拉邦特</a> / <a href="/celebrity/1049547/">斯蒂芬·金</a></span></span><br/>
        <span class="actor"><span class='pl'>主演</span>: <span class='attrs'><a href="/celebrity/1054521/" rel="v:starring">蒂姆·罗宾斯</a> / <a href="/celebrity/1054534/" rel="v:starring">摩根·弗里曼</a> / <a href="/celebrity/1041179/" rel="v:starring">鲍勃·冈顿</a> / <a href="/celebrity/1000095/" rel="v:starring">威廉姆·赛德勒</a> / <a href="/celebrity/1013817/" rel="v:starring">克兰西·布朗</a> / <a href="/celebrity/1010612/" rel="v:starring">吉尔·贝罗斯</a> / <a href="/celebrity/1054892/" rel="v:starring">马克·罗斯顿</a> / <a href="/celebrity/1027897/" rel="v:starring">詹姆斯·惠特摩</a> / <a href="/celebrity/1087302/" rel="v:starring">杰弗里·德曼</a> / <a href="/celebrity/1074035/" rel="v:starring">拉里·布兰登伯格</a> / <a href="/celebrity/1099030/" rel="v:starring">尼尔·吉恩托利</a> / <a href="/celebrity/1343305/" rel="v:starring">布赖恩·利比</a> / <a href="/celebrity/1048222/" rel="v:starring">大卫·普罗瓦尔</a> / <a href="/celebrity/1343306/" rel="v:starring">约瑟夫·劳格诺</a> / <a href="/celebrity/1315528/" rel="v:starring">祖德·塞克利拉</a></span></span><br/>
        <span class="pl">类型:</span> <span property="v:genre">剧情</span> / <span property="v:genre">犯罪</span><br/>

        <span class="pl">制片国家/地区:</span> 美国<br/>
        <span class="pl">语言:</span> 英语<br/>
        <span class="pl">上映日期:</span> <span property="v:initialReleaseDate" content="1994-09-10(多伦多电影节)">1994-09-10(多伦多电影节)</span> / <span property="v:initialReleaseDate" content="1994-10-14(美国)">1994-10-14(美国)</span><br/>
        <span class="pl">片长:</span> <span property="v:runtime" content="142">142 分钟</span><br/>
        <span class="pl">又名:</span> 月黑高飞(港) / 刺激1995(台) / 地狱诺言 / 铁窗岁月 / 消香克的救赎<br/>
        <span class="pl">IMDb链接:</span> <a href="http://www.imdb.com/title/tt0111161" target="_blank" rel="nofollow">tt0111161</a><br>

</div>

                </div>

<div id="interest_sectl">
    <div class="rating_wrap clearbox" rel="v:rating">
        <div class="rating_logo">豆瓣评分</div>
        <div class="rating_self clearfix" typeof="v:Rating">
            <strong class="ll rating_num" property="v:average">9.6</strong>
            <span property="v:best" content="10.0"></span>
            <div class="rating_right ">
                <div class="ll bigstar50"></div>
                <div class="rating_sum">
                    <a href="collections" class="rating_people"><span property="v:votes">740373</span>人评价</a>
                </div>
            </div>
        </div>

                <span class="stars5 starstop" title="力荐">
                    5星
                </span>
                <div class="power" style="width:64px"></div>
                <span class="rating_per">81.5%</span>
                <br />

                <span class="stars4 starstop" title="推荐">
                    4星
                </span>
                <div class="power" style="width:12px"></div>
                <span class="rating_per">16.2%</span>
                <br />

                <span class="stars3 starstop" title="还行">
                    3星
                </span>
                <div class="power" style="width:1px"></div>
                <span class="rating_per">2.1%</span>
                <br />

                <span class="stars2 starstop" title="较差">
                    2星
                </span>
                <div class="power" style="width:0px"></div>
                <span class="rating_per">0.1%</span>
                <br />

                <span class="stars1 starstop" title="很差">
                    1星
                </span>
                <div class="power" style="width:0px"></div>
                <span class="rating_per">0.1%</span>
                <br />

    </div>
        <div class="rating_betterthan">
            好于 <a href="/typerank?type_name=剧情&type=11&interval_id=100:90&action=">99% 剧情片</a><br/>
            好于 <a href="/typerank?type_name=犯罪&type=3&interval_id=100:90&action=">99% 犯罪片</a><br/>
        </div>
</div>

            </div>

.........

    <!-- sindar19a-docker-->

  <script>_SPLITTEST=''</script>
</body>

</html>

可以通过如下代码来解析相应字段（其中有用Jsoup和正则表达式的）

for (Element info : infos) {
    if (info.childNodeSize() > 0) {
        String key = info.getElementsByAttributeValue("class", "pl").text();
        if ("导演".equals(key)) {
            movie.setDirector(info.getElementsByAttributeValue("class", "attrs").text());
        } else if ("编剧".equals(key)) {
            movie.setScenarist(info.getElementsByAttributeValue("class", "attrs").text());
        } else if ("主演".equals(key)) {
            movie.setActors(info.getElementsByAttributeValue("class", "attrs").text());
        } else if ("类型:".equals(key)) {
            movie.setType(doc.getElementsByAttributeValue("property", "v:genre").text());
        } else if ("制片国家/地区:".equals(key)) {
            Pattern patternCountry = Pattern.compile(".制片国家/地区:</span>.+[\\u4e00-\\u9fa5]+.+[\\u4e00-\\u9fa5]+\\s+<br>");
            Matcher matcherCountry = patternCountry.matcher(doc.html());
            if (matcherCountry.find()) {
                movie.setCountry(matcherCountry.group().split("</span>")[1].split("<br>")[0].trim());// for example: >制片国家/地区:</span> 中国大陆 / 香港     <br>
            }
        } else if ("语言:".equals(key)) {
            Pattern patternLanguage = Pattern.compile(".语言:</span>.+[\\u4e00-\\u9fa5]+.+[\\u4e00-\\u9fa5]+\\s+<br>");
            Matcher matcherLanguage = patternLanguage.matcher(doc.html());
            if (matcherLanguage.find()) {
                movie.setLanguage(matcherLanguage.group().split("</span>")[1].split("<br>")[0].trim());
            }
        } else if ("上映日期:".equals(key)) {
            movie.setReleaseDate(doc.getElementsByAttributeValue("property", "v:initialReleaseDate").text());
        } else if ("片长:".equals(key)) {
            movie.setRuntime(doc.getElementsByAttributeValue("property", "v:runtime").text());
        }
    }
}
movie.setTags(doc.getElementsByClass("tags-body").text());
movie.setName(doc.getElementsByAttributeValue("property", "v:itemreviewed").text());
movie.setRatingNum(doc.getElementsByAttributeValue("property", "v:average").text());

对于服务端返回不同状态的http status，本程序对于如304,401,403,404等都采取了丢弃处理，不作解析。

效果展示

　　record表记录

　　movie表记录

　　comments表记录

以上只是一个爬取数据的后台实现雏形，还有很多细节的问题需要解决。后期可能会补上环境搭建以及遇到的问题和解决方法相关的文章。

Java豆瓣电影爬虫——使用Word2Vec分析电影短评数据

Java豆瓣电影爬虫——小爬虫成长记（附源码）

程序爬取控制在豆瓣可接受范围内，不会给豆瓣服务器带来很大的压力，写此程序也是个人把玩，绝无恶意，万望豆瓣君谅解^_^

可能感兴趣的文章

[原]Spark MLlib系列(二):基于协同过滤的电影推荐系统

Sat, 14 Feb 2015 00:36:00 CST

前言

随着大数据时代的到来，数据当中挖取金子的工作越来越有吸引力。利用Spark在内存迭代运算、机器学习领域强悍性能的优势，使用spark处理数据挖掘问题就显得很有实际价值。这篇文章给大家分享一个spark MLlib 的推荐实战例子。我将会分享怎样用spark MLlib做一个电影评分的推荐系统。使用到的算法是user-based协同过滤。如果对Spark MLlib不太了解的，请阅读我的上一篇博客。

Spark MLlib中的协同过滤

协同过滤常被应用于推荐系统。这些技术旨在补充用户-商品关联矩阵中所缺失的部分。MLlib当前支持基于模型的协同过滤，其中用户和商品通过一小组隐语义因子进行表达，并且这些因子也用于预测缺失的元素。为此，我们实现了交替最小二乘法(ALS) 来学习这些隐性语义因子。在 MLlib 中的实现有如下的参数:

numBlocks 是用于并行化计算的分块个数 (设置为-1为自动配置)。
rank 是模型中隐语义因子的个数。
iterations 是迭代的次数。
lambda 是ALS的正则化参数。
implicitPrefs 决定了是用 显性反馈ALS的版本还是用适用 隐性反馈数据集的版本。
alpha 是一个针对于 隐性反馈 ALS 版本的参数，这个参数决定了偏好行为强度的基准。

隐性反馈 vs 显性反馈

基于矩阵分解的协同过滤的标准方法一般将用户商品矩阵中的元素作为用户对商品的显性偏好。

在许多的现实生活中的很多场景中，我们常常只能接触到隐性的反馈（例如游览，点击，购买，喜欢，分享等等）在 MLlib 中所用到的处理这种数据的方法来源于文献： Collaborative Filtering for Implicit Feedback Datasets。本质上，这个方法将数据作为二元偏好值和偏好强度的一个结合，而不是对评分矩阵直接进行建模。因此，评价就不是与用户对商品的显性评分而是和所观察到的用户偏好强度关联了起来。然后，这个模型将尝试找到隐语义因子来预估一个用户对一个商品的偏好。

目前可用的协同过滤的算法：

数据准备

数据准备， MoiveLens的数据集，有100k到10m的数据都有。我们这里选择100k的数据。

对下载的数据解压之后，会出现很多文件，我们需要使用u.data和u.user文件。详细的数据说明可以参见README。

u.data是用户对电影评分的数据，也是训练集。数据分别表示userId，moiveId，评分rate，时间戳。如下图所示

u.user是用户的个人信息数据，用以推荐使用，分别表示userId，age，sex，job，zip code。我们只使用userId即可。如下图所示

实现的功能

这里有10w条用户对电影的评分，从1-5分，1分表示差劲，5分表示非常好看。根据用户对电影的喜好，给用户推荐可能感兴趣的电影。

实现思路

代码实现如下：

1、加载u.data数据到rating RDD中

2、对rating RDD的数据进行分解，只需要userId，moiveId，rating

3、使用rating RDD训练ALS模型

4、使用ALS模型为u.user中的用户进行电影推荐，数据保存到HBase中

5、评估模型的均方差

代码

package com.ml.recommender

import org.apache.spark.SparkContext._
import org.apache.spark.SparkConf
import org.apache.spark.mllib.recommendation._
import org.apache.spark.rdd.{ PairRDDFunctions, RDD }
import org.apache.spark.SparkContext
import scala.collection.mutable.HashMap
import java.util.List
import java.util.ArrayList
import scopt.OptionParser

import com.ml.util.HbaseUtil

/**
 * moivelens 电影推荐
 *
 */
object MoiveRecommender {

  val numRecommender = 10

  case class Params(
    input: String = null,
    numIterations: Int = 20,
    lambda: Double = 1.0,
    rank: Int = 10,
    numUserBlocks: Int = -1,
    numProductBlocks: Int = -1,
    implicitPrefs: Boolean = false,
    userDataInput: String = null)

  def main(args: Array[String]) {

    val defaultParams = Params()

    val parser = new OptionParser[Params]("MoiveRecommender") {
      head("MoiveRecommender: an example app for ALS on MovieLens data.")
      opt[Int]("rank")
        .text(s"rank, default: ${defaultParams.rank}}")
        .action((x, c) => c.copy(rank = x))
      opt[Int]("numIterations")
        .text(s"number of iterations, default: ${defaultParams.numIterations}")
        .action((x, c) => c.copy(numIterations = x))
      opt[Double]("lambda")
        .text(s"lambda (smoothing constant), default: ${defaultParams.lambda}")
        .action((x, c) => c.copy(lambda = x))
      opt[Int]("numUserBlocks")
        .text(s"number of user blocks, default: ${defaultParams.numUserBlocks} (auto)")
        .action((x, c) => c.copy(numUserBlocks = x))
      opt[Int]("numProductBlocks")
        .text(s"number of product blocks, default: ${defaultParams.numProductBlocks} (auto)")
        .action((x, c) => c.copy(numProductBlocks = x))
      opt[Unit]("implicitPrefs")
        .text("use implicit preference")
        .action((_, c) => c.copy(implicitPrefs = true))
      opt[String]("userDataInput")
        .required()
        .text("use data input path")
        .action((x, c) => c.copy(userDataInput = x))
      arg[String]("<input>")
        .required()
        .text("input paths to a MovieLens dataset of ratings")
        .action((x, c) => c.copy(input = x))
      note(
        """
          |For example, the following command runs this app on a synthetic dataset:
          |
          | bin/spark-submit --class com.zachary.ml.MoiveRecommender \
          |  examples/target/scala-*/spark-examples-*.jar \
          |  --rank 5 --numIterations 20 --lambda 1.0 \
          |  data/mllib/u.data
        """.stripMargin)
    }

    parser.parse(args, defaultParams).map { params =>
      run(params)
    } getOrElse {
      System.exit(1)
    }

  }

  def run(params: Params) {

    //本地运行模式，读取本地的spark主目录
    var conf = new SparkConf().setAppName("Moive Recommendation")
      .setSparkHome("D:\\work\\hadoop_lib\\spark-1.1.0-bin-hadoop2.4\\spark-1.1.0-bin-hadoop2.4")
    conf.setMaster("local[*]")

    //集群运行模式，读取spark集群的环境变量
    //var conf = new SparkConf().setAppName("Moive Recommendation")

    val context = new SparkContext(conf)

    //加载数据
    val data = context.textFile(params.input)

    /**
     * *MovieLens ratings are on a scale of 1-5:
     * 5: Must see
     * 4: Will enjoy
     * 3: It's okay
     * 2: Fairly bad
     * 1: Awful
     */
    val ratings = data.map(_.split("\t") match {
      case Array(user, item, rate, time) => Rating(user.toInt, item.toInt, rate.toDouble)
    })

    //使用ALS建立推荐模型    
    //也可以使用简单模式    val model = ALS.train(ratings, ranking, numIterations)
    val model = new ALS()
      .setRank(params.rank)
      .setIterations(params.numIterations)
      .setLambda(params.lambda)
      .setImplicitPrefs(params.implicitPrefs)
      .setUserBlocks(params.numUserBlocks)
      .setProductBlocks(params.numProductBlocks)
      .run(ratings)

    predictMoive(params, context, model)

    evaluateMode(ratings, model)

    //clean up
    context.stop()

  }

  /**
   * 模型评估
   */
  private def evaluateMode(ratings: RDD[Rating], model: MatrixFactorizationModel) {

    //使用训练数据训练模型
    val usersProducets = ratings.map(r => r match {
      case Rating(user, product, rate) => (user, product)
    })

    //预测数据
    val predictions = model.predict(usersProducets).map(u => u match {
      case Rating(user, product, rate) => ((user, product), rate)
    })

    //将真实分数与预测分数进行合并
    val ratesAndPreds = ratings.map(r => r match {
      case Rating(user, product, rate) =>
        ((user, product), rate)
    }).join(predictions)

    //计算均方差
    val MSE = ratesAndPreds.map(r => r match {
      case ((user, product), (r1, r2)) =>
        var err = (r1 - r2)
        err * err
    }).mean()

    //打印出均方差值
    println("Mean Squared Error = " + MSE)
  }

  /**
   * 预测数据并保存到HBase中
   */
  private def predictMoive(params: Params, context: SparkContext, model: MatrixFactorizationModel) {

    var recommenders = new ArrayList[java.util.Map[String, String]]();

    //读取需要进行电影推荐的用户数据
    val userData = context.textFile(params.userDataInput)

    userData.map(_.split("\\|") match {
      case Array(id, age, sex, job, x) => (id)
    }).collect().foreach(id => {
      //为用户推荐电影 
      var rs = model.recommendProducts(id.toInt, numRecommender)
      var value = ""
      var key = 0

      //保存推荐数据到hbase中
      rs.foreach(r => {
        key = r.user
        value = value + r.product + ":" + r.rating + ","
      })

      //成功,则封装put对象，等待插入到Hbase中
      if (!value.equals("")) {
        var put = new java.util.HashMap[String, String]()
        put.put("rowKey", key.toString)
        put.put("t:info", value)
        recommenders.add(put)
      }
    })

    //保存到到HBase的[recommender]表中
    //recommenders是返回的java的ArrayList，可以自己用Java或者Scala写HBase的操作工具类，这里我就不给出具体的代码了，应该可以很快的写出
    HbaseUtil.saveListMap("recommender", recommenders)
  }
}

运行

1、在scala IDE（或者eclipse安装scala插件）运行：

设置工程名，main类等

设置运行参数

--rank 10 --numIterations 40 --lambda 0.01 --userDataInput D:\\ml_data\\data_col\\ml-100k\\ml-100k\\u.user D:\\ml_data\\data_col\\ml-100k\\ml-100k\\u.data

2、在集群中运行如下：

/bin/spark-submit --jars hbase-client-0.98.0.2.1.5.0-695-hadoop2.jar,hbase-common-0.98.0.2.1.5.0-695-hadoop2.jar,hbase-protocol-0.98.0.2.1.5.0-695-hadoop2.jar,htrace-core-2.04.jar,protobuf-java-2.5.0.jar --master yarn-cluster --class com.ml.recommender.MoiveRecommender moive.jar

--rank 10 --numIterations 40 --lambda 0.01 --userDataInput hdfs:/spark_test/u.user hdfs:/spark_test/u.data

注意：

--jars表示项目需要的依赖包

moive.jar表示项目打包的名称

运行结果

均方差如下所示

HBase中推荐数据如下所示

比如 939 用户的推荐电影（格式 moivedID：rating）：516:7.574462241760971,1056:6.979575106203245,1278:6.918614235693566,1268:6.914693317049802,1169:6.881813878580957,1316:6.681612000425281,564:6.622223206958775,909:6.597412586878512,51:6.539969654136097,1385:6.503960660826889

优化

1、可以调整这些参数，不断优化结果，使均方差变小。比如 iterations越多，lambda较小，均方差会较小，推荐结果较优

numBlocks 是用于并行化计算的分块个数 (设置为-1为自动配置)。
rank 是模型中隐语义因子的个数。
iterations 是迭代的次数。
lambda 是ALS的正则化参数。
implicitPrefs 决定了是用显性反馈ALS的版本还是用适用隐性反馈数据集的版本。
alpha 是一个针对于隐性反馈 ALS 版本的参数，这个参数决定了偏好行为强度的基准。

2、可以写一个程序去读取HBase的推荐数据，对外暴露一个rest接口，这样可以更方便展示。

欢迎有不同意见者来拍砖！谢谢。

转载请标明出处。

作者：shifenglov 发表于2015/2/13 16:36:00 原文链接

阅读：15676 评论：8 查看评论

日本电影票房Top10全是二次元

Sat, 17 Dec 2016 16:19:39 CST

转眼间2016年即将过去，各种盘点又集中出炉。今天我们注意到一个有些特别的榜单——日本本土电影票房排名。这份榜单特殊之处在于其所收录的今年日本票房最高的10部电影中全部都是于漫画、动画相关的影片。其中， 6部剧场版动画，3部漫画改编真人电影，还有1部特摄，而且借助《你的名字》和《新哥斯拉》两部作品的高票房成绩。

而如果展望明年的日本电影市场的话就会发现，二次元依旧是绝对主力。不算《名侦探柯南》、《哆啦A梦》、《精灵宝可梦》这样的年货剧场版，明年还有《刀剑神域》剧场版、改编自真人日剧的《花火》，以及基于《JOJO》、《亚人》、《银魂》、《钢之炼金术师》等漫画改编真人电影上映。

基于Spark MLlib平台的协同过滤算法---电影推荐系统

Thu, 24 Mar 2016 10:17:33 CST

又好一阵子没有写文章了，阿弥陀佛...最近项目中要做理财推荐，所以，回过头来回顾一下协同过滤算法在推荐系统中的应用。

说到推荐系统，大家可能立马会想到协同过滤算法。本文基于Spark MLlib平台实现一个向用户推荐电影的简单应用。其中，主要包括三部分内容：

协同过滤算法概述
基于模型的协同过滤应用---电影推荐
实时推荐架构分析

一、协同过滤算法概述

本人对算法的研究，目前还不是很深入，这里简单的介绍下其工作原理。

通常，协同过滤算法按照数据使用，可以分为：

1）基于用户（UserCF）

2）基于商品（ItemCF）

3）基于模型（ModelCF）

按照模型，可以分为：

1）最近邻模型：基于距离的协同过滤算法

2）Latent Factor Mode（SVD）：基于矩阵分解的模型

3）Graph：图模型，社会网络图模型

文中，使用的协同过滤算法是基于矩阵分解的模型。

1、基于用户（UserCF）---基于用户相似性

基于用户的协同过滤，通过不同用户对物品的评分来评测用户之间的相似性，基于用户之间的相似性做出推荐。简单来讲，就是给用户推荐和他兴趣相似的其他用户喜欢的物品。

举个例子：

如图，有三个用户A、B、C，四个物品A、B、C、D，需要向用户A推荐物品。这里，由于用户A和用户C都买过物品A和物品C，所以，我们认为用户A和用户C非常相似，同时，用户C又买过物品D，那么就需要给A用户推荐物品D。

基于UserCF的基本思想相当简单，基于用户对物品的偏好，找到相邻邻居用户，然后将邻居用户喜欢的商品推荐给当前用户。

计算上，将一个用户对所有物品的偏好作为一个向量来计算用户之间的相似度，找到K邻居后，根据邻居的相似度权重以及他们对物品的偏好，预测当前用户没有偏好的未涉及物品，计算得到一个排序的物品列表作为推荐。

2 、基于商品（ItemCF）---基于商品相似性

基于商品的协同过滤，通过用户对不同item的评分来评测item之间的相似性，基于item之间的相似性做出推荐。简单来将，就是给用户推荐和他之前喜欢的物品相似的物品。

例如：

如图，有三个用户A、B、C和三件物品A、B、C，需要向用户C推荐物品。这里，由于用户A买过物品A和C，用户B买过物品A、B、C，用户C买过物品 A，从用户A和B可以看出，这两个用户都买过物品A和C，说明物品A和C非常相似，同时，用户C又买过物品A，所以，将物品C推荐给用户C。

基于ItemCF的原理和基于UserCF类似，只是在计算邻居时采用物品本身，而不是从用户的角度，即基于用户对物品的偏好找到相似的物品，然后根据用户的历史偏好，推荐相似的物品给他。

从计算角度，即将所有用户对某个物品的偏好作为一个向量来计算物品之间的相似度，得到物品的相似物品后，根据用户历史的偏好预测当前用户还没有表示偏好的物品，计算得到一个排序的物品列表作为推荐。

3 、 基于模型（ModelCF）

基于模型的协同过滤推荐就是基于样本的用户喜好信息，训练一个推荐模型，然后根据实时的用户喜好的信息进行预测，计算推荐。

本文使用的基于矩阵分解的模型，算法如图：

Spark MLlib当前支持基于模型的协同过滤，其中用户和商品通过一小组隐性因子进行表达，并且这些因子也用于预测缺失的元素。MLlib使用交替最小二乘法（ALS）来学习这些隐性因子。

如果有兴趣，可以阅读Spark的这部分源代码：

二 、基于模型的协同过滤应用---电影推荐

本文实现对用户推荐电影的简单应用。

1、测试数据描述

本次测试数据主要包括四个数据文件：（详细的数据描述参见README文件）

1）用户数据文件

用户ID::性别::年龄::职业编号::邮编

2）电影数据文件

电影ID::电影名称::电影种类

3）评分数据文件

用户ID::电影ID::评分::时间

4）测试数据

用户ID::电影ID::评分::时间

这里，前三个数据文件用于模型训练，第四个数据文件用于测试模型。

2、实现代码：

import org.apache.log4j.{Level, Logger}

import org.apache.spark.mllib.recommendation.{ALS, MatrixFactorizationModel, Rating}

import org.apache.spark.rdd._

import org.apache.spark.{SparkContext, SparkConf}

import org.apache.spark.SparkContext._

import scala.io.Source

object MovieLensALS {

def main(args:Array[String]) {

//屏蔽不必要的日志显示在终端上

Logger.getLogger("org.apache.spark").setLevel(Level.WARN)

Logger.getLogger("org.apache.eclipse.jetty.server").setLevel(Level.OFF)

//设置运行环境

val sparkConf = new SparkConf().setAppName("MovieLensALS").setMaster("local[5]")

val sc = new SparkContext(sparkConf)

//装载用户评分，该评分由评分器生成(即生成文件personalRatings.txt)

val myRatings = loadRatings(args(1))

val myRatingsRDD = sc.parallelize(myRatings, 1)

//样本数据目录

val movielensHomeDir = args(0)

//装载样本评分数据，其中最后一列Timestamp取除10的余数作为key，Rating为值，即(Int，Rating)

val ratings = sc.textFile(movielensHomeDir + "/ratings.dat").map {

line =>

val fields = line.split("::")

// format: (timestamp % 10, Rating(userId, movieId, rating))

(fields(3).toLong % 10, Rating(fields(0).toInt, fields(1).toInt, fields(2).toDouble))

}

//装载电影目录对照表(电影ID->电影标题)

val movies = sc.textFile(movielensHomeDir + "/movies.dat").map {

line =>

val fields = line.split("::")

// format: (movieId, movieName)

(fields(0).toInt, fields(1))

}.collect().toMap

//统计有用户数量和电影数量以及用户对电影的评分数目

val numRatings = ratings.count()

val numUsers = ratings.map(_._2.user).distinct().count()

val numMovies = ratings.map(_._2.product).distinct().count()

println("Got " + numRatings + " ratings from " + numUsers + " users " + numMovies + " movies")

//将样本评分表以key值切分成3个部分，分别用于训练 (60%，并加入用户评分), 校验 (20%), and 测试 (20%)

//该数据在计算过程中要多次应用到，所以cache到内存

val numPartitions = 4

val training = ratings.filter(x => x._1 < 6).values.union(myRatingsRDD).repartition(numPartitions).persist()

val validation = ratings.filter(x => x._1 >= 6 && x._1 < 8).values.repartition(numPartitions).persist()

val test = ratings.filter(x => x._1 >= 8).values.persist()

val numTraining = training.count()

val numValidation = validation.count()

val numTest = test.count()

println("Training: " + numTraining + " validation: " + numValidation + " test: " + numTest)

//训练不同参数下的模型，并在校验集中验证，获取最佳参数下的模型

val ranks = List(8, 12)

val lambdas = List(0.1, 10.0)

val numIters = List(10, 20)

var bestModel: Option[MatrixFactorizationModel] = None

var bestValidationRmse = Double.MaxValue

var bestRank = 0

var bestLambda = -1.0

var bestNumIter = -1

for (rank <- ranks; lambda <- lambdas; numIter <- numIters) {

val model = ALS.train(training, rank, numIter, lambda)

val validationRmse = computeRmse(model, validation, numValidation)

println("RMSE(validation) = " + validationRmse + " for the model trained with rank = "

+ rank + ",lambda = " + lambda + ",and numIter = " + numIter + ".")

if (validationRmse < bestValidationRmse) {

bestModel = Some(model)

bestValidationRmse = validationRmse

bestRank = rank

bestLambda = lambda

bestNumIter = numIter

}

//用最佳模型预测测试集的评分，并计算和实际评分之间的均方根误差（RMSE）

val testRmse = computeRmse(bestModel.get, test, numTest)

println("The best model was trained with rank = " + bestRank + " and lambda = " + bestLambda

+ ", and numIter = " + bestNumIter + ", and its RMSE on the test set is " + testRmse + ".")

//create a naive baseline and compare it with the best model

val meanRating = training.union(validation).map(_.rating).mean

val baselineRmse = math.sqrt(test.map(x => (meanRating - x.rating) * (meanRating - x.rating)).reduce(_ + _) / numTest)

val improvement = (baselineRmse - testRmse) / baselineRmse * 100

println("The best model improves the baseline by " + "%1.2f".format(improvement) + "%.")

//推荐前十部最感兴趣的电影，注意要剔除用户已经评分的电影

val myRatedMovieIds = myRatings.map(_.product).toSet

val candidates = sc.parallelize(movies.keys.filter(!myRatedMovieIds.contains(_)).toSeq)

val recommendations = bestModel.get

.predict(candidates.map((0, _)))

.collect

.sortBy(-_.rating)

.take(10)

var i = 1

println("Movies recommended for you:")

recommendations.foreach { r =>

println("%2d".format(i) + ": " + movies(r.product))

i += 1

}

sc.stop()

}

/** 校验集预测数据和实际数据之间的均方根误差 **/

def computeRmse(model:MatrixFactorizationModel,data:RDD[Rating],n:Long):Double = {

val predictions:RDD[Rating] = model.predict((data.map(x => (x.user,x.product))))

val predictionsAndRatings = predictions.map{ x =>((x.user,x.product),x.rating)}

.join(data.map(x => ((x.user,x.product),x.rating))).values

math.sqrt(predictionsAndRatings.map( x => (x._1 - x._2) * (x._1 - x._2)).reduce(_+_)/n)

}

/** 装载用户评分文件 personalRatings.txt **/

def loadRatings(path:String):Seq[Rating] = {

val lines = Source.fromFile(path).getLines()

val ratings = lines.map{

line =>

val fields = line.split("::")

Rating(fields(0).toInt,fields(1).toInt,fields(2).toDouble)

}.filter(_.rating > 0.0)

if(ratings.isEmpty){

sys.error("No ratings provided.")

}else{

ratings.toSeq

}

3、运行程序

1）设置参数，运行程序（两个参数：第一个数据文件目录，第二个测试数据）

2）程序运行效果---模型训练过程

3）程序运行效果---电影推荐结果

4、总结

这样，一个简单的基于模型的电影推荐应用就算OK了。

三、实时推荐架构分析

上面，实现了简单的推荐系统应用，但是，仅仅实现用户的定向推荐，在实际应用中价值不是非常大，如果体现价值，最好能够实现实时或者准实时推荐。

下面，简单介绍下实时推荐的一个架构：

该架构图取自淘宝Spark On Yarn的实时架构，这里，给出一些个人的观点：

架构图分为三层：离线、近线和在线。

离线部分：主要实现模型的建立。原始数据通过ETL加工清洗，得到目标数据，目标业务数据结合合适的算法，学习训练模型，得到最佳的模型。

近线部分：主要使用HBase存储用户行为信息，模型混合系统综合显性反馈和隐性反馈的模型处理结果，将最终的结果推荐给用户。

在线部分：这里，主要有两种反馈，显性和隐性，个人理解，显性反馈理解为用户将商品加入购物车，用户购买商品这些用户行为；隐性反馈理解为用户在某个商品上停留的时间，用户点击哪些商品这些用户行为。这里，为了实现实时/准实时操作，使用到了Spark Streaming对数据进行实时处理。（有可能是Flume+Kafka+Spark Streaming架构）

这里是个人的一些理解，不足之处，望各位指点。

本文出自 “ 一步.一步” 博客，请务必保留此出处 http://snglw.blog.51cto.com/5832405/1662153

已有 0 人发表留言，猛击->> 这里<<-参与讨论

ITeye推荐

—软件人才免语言低担保赴美带薪读研！—

BBC选出的最伟大的100部美国电影，拯救你的片荒危机！

Fri, 12 Aug 2016 08:00:00 CST

正值暑假，美国电影大榜单在此奉上！

此前，BBC邀请来自全球的62位知名影评人，投票选出史上最伟大的100部美国电影。

榜单上大多数都是经典佳片，最年轻的影片是2013年的《为奴十二年》，而最古老的则是1915年的《一个国家的诞生》。《乱世佳人》都仅排名97位，你能想到第一名是哪部吗？

100 倒扣的王牌（Ace in the Hole，1951）

略带夸张﹑辛辣十足的讽刺剧，不留情面地拷问媒体伦理和大众文化。虽然这是六十年前的电影，但片中发生的事现在还在上演。

99 为奴十二年（12 Years a Slave，2013）

剧情简介：当牛做马十二年，逃出生天。（——豆瓣：芦哲峰）

98 天堂之门（Heaven's Gate，1980）

很多很多诗意得一塌糊涂的段落。也很多很多冗长得让人入睡的段落。

97 乱世佳人（Gone with the Wind，1939）

永远的经典，将近4个小时却依然意犹未尽。

96 蝙蝠侠：黑暗骑士（The Dark Knight，2008）

诺兰接手后，蝙蝠侠和其它漫画英雄片就完全不是一个等级了。

95 鸭羹（Duck Soup，1933）

一场绝妙的政治讽刺剧。

94 第25小时（25th Hour，2002）

演技大对决，那段一口气儿说了几十句“FUCK”的独白太过瘾！

93 穷街陋巷（Mean Streets，1973）

年轻的罗伯特·德尼罗与马丁·斯科西斯的第一次合作，70年代暴燥不安的黑帮电影，还有70年代充满blues风情的摇滚乐。

92 猎人之夜（The Night of the Hunter，1955）

充满恐怖诗意的神片，上半部分是HATE，下半部分是LOVE。

91 E.T.外星人（ E.T.: The Extra，1982）

有史以来最温情的科幻片，属于童年的故事。

90 现代启示录（Apocalypse Now，1979）

科波拉经典越战题材片，“一部登峰造极的战争史诗片”。

89 兰闺艳血（In a Lonely Place，1950）

亨弗莱·鲍嘉主演的伤感悬疑爱情剧，鲍嘉最象鲍嘉的一个电影，编剧必修课。

88 西区故事（West Side Story1961）

黑帮歌舞片版《罗密欧朱丽叶》，街头成了歌舞的舞台，打架也成了舞蹈。

87 美丽心灵的永恒阳光（又译：暧暧内含光）

（ Eternal Sunshine of the Spotless Mind，2004）

披着奇幻外衣的爱情哲学，删得了的回忆，删不了的爱情。括号中的中文名翻译得太好。

86 狮子王（The Lion King，1994）

动物版哈姆雷特，迪斯尼影业集大成之作，2D动画最辉煌篇章！

85 活死人之夜（Night of the Living Dead，1968）

丧尸片鼻祖。

84 激流四勇士（Deliverance，1972）

借冒险故事探讨人类的非理性行为，手法紧凑有力，映象鲜锐。

83 育婴奇谭（Bringing Up Baby，1938）

30年代最成功的荒诞喜剧之一，台词比较多，却没有低级粗俗的笑料。

82 夺宝奇兵（Raiders of the Lost Ark，1981）

传奇的起点，经典冒险电影。

81 末路狂花（Thelma & Louise，1991）

“当一个女人说不要的时候，她是真的不愿意！”女性主义代表作。

80 火树银花（Meet Me in St. Louis，1944）

爱家爱生活的美式主旋律。片中歌曲十分动听，尤其是其中的圣诞歌曲，曾感动成千上万在欧洲战场出生入死的美国大兵。

79 生命之树（The Tree of Life，2011）

当美国人开始拍片讲述生命的哲学，法国人都笑了。。。不过影片还是夺得第64届戛纳电影节金棕榈大奖。

78 辛德勒的名单（Schindler's List，1993）

拯救一人，即拯救了全世界。——伊萨克·斯特恩

本片包揽了第66届奥斯卡7大奖项。

77 关山飞渡（Stagecoach，1939）

开辟了新的大制作西部片风格。本片也是西部片大英雄约翰·韦恩的成名作，并且开创了韦恩和导演福特的黄金拍档。

76 星球大战2：帝国反击战

（Star Wars: The Empire Strikes Back，1980）

星战三部曲中唯一不是卢卡斯导演的一部，反而最受星战粉追捧。《帝国反击战》上映，达斯·维达登上《时代》周刊封面。

75 第三类接触

（Close Encounters of the Third Kind，1977）

斯皮尔伯格大导演的早期外星人科幻片，已经有了很多以后作品的影子与风格。

74 阿甘正传（Forrest Gump，1994）

我妈妈总是说，人生就像一盒巧克力，你永远不知道下一颗会是什么味道。——阿甘

73 电视台风云（Network，1976）

一部针对电视行业的讽刺剧，对电视新闻受经济支配和幕后强权政治的控制进行了揭露和嘲讽。

72 上海风光（The Shanghai Gesture，1941）

本片的情节建立于一种异国情调的想象之上，描述了一个腐败、堕落的中国上海的景象，影片中的人物皆由美国演员扮演，却穿着不伦不类的所谓中国服装。在本片发行之际，中国大使馆曾对片中中国人的形象进行严厉抗议。

71 土拨鼠之日（Groundhog Day，1993）

构思巧妙、笑料丰富的上乘喜剧，从荒谬的开始逐渐发展到温馨感人的结局，主题具有发人深省的教育意义。

70 篷车队（The Band Wagon，1953）

歌舞片的巅峰。

69 失衡生活（Koyaanisqatsi，1983）

影片用高速摄影的方法，展示了美国的自然风光和社会的发展。一部没有惯常的剧情、但由一组组高超意象组成的纯感性影片。

68 美人计（Notorious，1946）

被特吕佛誉为“希区柯克电影登峰造极之作”，在爱情方面拍出了荡气回肠的感觉。

67 摩登时代（Modern Times，1936）

卓别林对社会的敏锐观察力及天才的想像力，对人和机器的关系提供了最为生动的演绎。为无声片画上的辉煌句号。

66 大战红河边（Red River，1948）

从剧本架构到大自然的映象，本片均充分发挥了西部电影的大气派。万牛奔腾相当壮观。

65 太空先锋（The Right Stuff，1983）

一部叙述美国航天史的经典之作，七勇士后来大都成了响当当的荧幕硬汉。

64 荒漠怪客（Johnny Guitar，1954）

反类型西部片。美国人的《龙门客栈》！

63 爱的激流（Love Streams，1984）

很有欧洲艺术片范儿的美国片，风格收敛，镜头对准的是那些痛苦挣扎着的人。

62 闪灵（The Shining1980）

库布里克说，这是一个关于已死之人还反复出现的喜剧。

61 大开眼戒（Eyes Wide Shut，1999）

库布里克构思三十年才于去世前完成，汤姆·克鲁斯长达7分钟的同性恋、性虐待和窥阴癖的镜头，引起广泛争议，但评论界一致认为这是一部非常严肃的作品。性，是世界上最难懂的哲学。

60 蓝丝绒（Blue Velvet，1986）

尽管电影上映时，很多人嘲笑和鄙视这是一部极端的、黑色的、粗俗和令人厌恶的作品，但最终获得美国国家电影评论协会评出的1986年年度最佳电影、最佳导演、最佳男配角、最佳摄影。

59 飞越疯人院

（One Flew Over the Cuckoo's Nest，1975）

美国70年代社会政治电影的代表作。第48届奥斯卡最佳影片、最佳导演、最佳男主。

58 街角商店（The Shop Around the Corner，1940）

老牌大导演刘别谦的经典喜剧代表作，刻画小人物的寂寞心灵，十分温馨十分治愈。

57 罪与错（Crimes and Misdemeanors，1989）

伍迪·艾伦作品中颇受忽视的杰作，无论戏剧结构与主题内涵均有不同凡响的表现。

56 回到未来（Back to the Future，1985）

穿越片鼻祖，从后来很多的片子中看到了这部电影的影子~~

55 毕业生（The Graduate1967）

影片体现了青年人的成长及对成年人社会的奋起反抗，它以一鸣惊人的姿势出现，成为“新好莱坞电影”里一部举足轻重的代表作。

54 日落大道（Sunset Blvd，1950）

有句话叫岁月如歌，可惜这部电影唱的是挽歌，不光是对人物，更是当时的那个时代，悲剧而震撼。

53 灰色花园（Grey Gardens，1975）

上个世纪七十年代的美国，生活着一对母女。她们到老了才出名，是因为屡遭邻居驱逐，原因是不可思议的脏乱差。导演梅索思兄弟以七个月的时间贴身记录了这对母女纠葛的关系，拍摄两人生活中的各个片段，并真实的记录了下来。这就是这部电影的全部，但却让人有一种很奇怪的感觉，仿佛时间从来未曾走过一样。

52 日落黄沙（The Wild Bunch，1969）

西部片经典，美国国家电影保护局指定的典藏之作，在1995年电影百年华诞之际，好莱坞评选百年百部经典作品，本片位列第80名。

51 历劫佳人（Touch of Evil，1958）

故事中谋杀、绑架等情节，娱乐性远胜于《凯恩》。影片的主题是道德的堕落，但精华在于它的风格，起源于通俗惊险片但远远超出该类型，有一种跟内容极其吻合的变态美。

50 女友礼拜五（His Girl Friday，1940）

一部典型的三四十年代文人喜剧，剧本很强大，矛盾和冲突接连不断，插科打诨，噱头快似机关枪，看得过瘾。

49 天堂之日（Days of Heaven，1978）

影星李察·基尔的成名作。风轻云淡，光与影美不胜收，成为每个研究电影摄影者必看的影片。

48 郎心似铁（A Place in the Sun，1951）

改编自德莱塞的长篇小说《美国的悲剧》，用一个类似《红与黑》的故事表现社会地位产生的压力。三位主演均非常出色。伊丽莎白、蒙哥马利美艳无方。

47 艳贼（Marnie，1964）

希区柯克晚年作品，还是那么爱精神分析。

46 生活多美好（It's a Wonderful Life，1946）

融情节剧、幻想、家庭剧和浪漫故事于一体，构置了一个如诗如幻的境界，使观众沉醉其中而忘记世俗烦恼。大家一起做个好人吧！

45 双虎屠龙

（The Man Who Shot Liberty Valance，1962）

约翰·福特最优秀的西部片之一，与“把蛮荒西部改造成美国后花园”的价值观大唱反调，在崇尚反叛意识的20世纪60年代获得巨大反响。

44 福尔摩斯二世（Sherlock, Jr.，1924）

素有冷面笑匠之称的巴斯特·基顿，创造了很多经典喜剧桥段，引得后世的影片不断对其致敬。

43 一个陌生女人的来信

（Letter from an Unknown Woman，1948）

根据茨威格的同名小说改编，黑白有声胶片时代场面调度最精湛的影片，所有运镜都和女人的情感相合。

42 奇爱博士（Dr. Strangelove，1964）

以冷战恐慌打造的黑色喜剧。一部众口称赞的影史经典，好评率达到了百分之百，被美国电影资料馆永久收藏。

41 赤胆屠龙（Rio Bravo，1959）

西部类型片的极致，看得过瘾。John Wayne纯爷们。

40 午后的迷惘（Meshes of the Afternoon，1943）

要小心，比起黑夜，夏天正午才是灵魂出没的时间。

39 一个国家的诞生（The Birth of a Nation，1915）

也是电影时代的诞生。本片描写美国内战，采取南方的角度，把三K党描写成正面形象，因此内容颇具争议性。但专家一致公认，它是电影发展史上的一座里程碑，是第一部史诗片，对于影史爱好者具有很高的研究价值。

38 大白鲨（Jaws，1975）

灾难片的典范。应用“大规模上映”发行概念的第一部电影，在电影发行史上具有划时代意义。影片的全球票房高达4亿7000万，这一纪录直到两年后才被《星球大战》打破。

37 春风秋雨（Imitation of Life，1959）

一部社会性的写实片，突出了黑人与白人之间的种族歧视与子女教育问题，可以说是一部套路偏中国文戏的文艺片。

36 星球大战（Star Wars，1977）

一个传奇的开端，一个不灭的神话，这不仅仅是一部电影，而是作为一个走进新时代的标签，永远彪炳史册。一部促使20世纪福克斯电影公司股价翻倍的影史经典。

35 双重赔偿（Double Indemnity，1944）

最伟大的黑色影片之一，悬念重重，表演出色，对未来的悬念电影都产生久远的影响。

34 绿野仙踪（The Wizard of Oz，1939）

朱迪·嘉兰《Over the Rainbow》的歌声伴随着一代又一代的儿童在纯真和童趣中成长。每一句台词、每一个音符、每一样道具都已成为电影史的瑰宝。

33 对话（窃听大阴谋）（The Conversation，1974）

科波拉的批判现实主义杰作，水门事件后最NB的衍生片，被誉为70年代最优秀的电影之一。

32 淑女伊芙（The Lady Eve，1941）

芭芭拉·斯坦威克拨弄亨利·方达的头发的镜头被称作电影史上最性感的镜头之一，影片入选美国国家电影保护局收藏名录。

31 受影响的女人（A Woman Under the Influence，1974）

美国著名的地下实验电影导演约翰·卡萨维茨自编自导，为美国地下电影奠定了风格和市场。

30 热情似火（Some Like It Hot，1959）

影史上最精彩的喜剧之一，选角天衣无缝，台词妙语连珠，编导演炉火纯青。Nobody's perfect（没有人是十全十美的），已跻身最经典压轴台词之列。

29 愤怒的公牛（Raging Bull，1980）

根据前世界拳王杰克·拉莫塔的真实经历改编。本片中的拳击场面充满幽闭、粗犷和恐怖的色彩，被誉为电影史上最经典拳击场景。

28 低俗小说（Pulp Fiction，1994）

导演昆汀·塔伦蒂诺把自己喜欢的人物、情节、对白、道具、歌曲等通俗文化共冶一炉，炮制了这部充满了种种奇观的怪电影。以800万美金成本搏得全球2亿美金的票房神话，获得全球影评人一致赞誉。

27 巴里·林登（Barry Lyndon，1975）

发行之后就被冠以史诗作品的荣誉，一些库布里克的影迷甚至认为该片是他作为导演和作者的巅峰之作。连英伦古典文艺片都拍得，让BBC情何以堪啊！

26 杀羊人（Killer of Sheep，1977）

真实地反映了美国社会的两极分化，自拍成以来一直不被人关注，直到在4年以后的第31届（1981）西柏林国际电影节上才大放异彩，使评委感到震惊，从而获得评委会颁发的特别奖。

25 为所应为（Do the Right Thing，1989）

斯派克李对黑人社区问题的分析和思考灌注其间，客观，中立，敏锐，把激进的政治主张呈现在日常生活的选择中，被誉为最出色的黑人题材影片。

24 桃色公寓（The Apartment，1960）

几乎完美的剧本，真正的笑中有泪的悲喜剧。荣获第33届奥斯卡最佳影片、最佳导演等5项大奖。

23 安妮·霍尔（Annie Hall，1977）

典型的伍迪·艾伦式高智商喜剧片，一部半自传片式、反传统模式的爱情故事。荣获第50届奥斯卡最佳影片、最佳导演、最佳原创剧本、最佳女主角。

22 贪婪（Greed，1924）

四小时的PPT默片，构图精美的剧照也彰显出这部影片的伟大。影史著名残缺片，据说这原版时长有10个小时，全世界完整看过的人不超过12个。

21 穆赫兰道（Mulholland Dr.，2001）

“多数人是看不懂这部电影的，至少第一遍的时候”，对此，导演大卫·林奇说：“观众们被好莱坞的简单逻辑宠坏了，他们应该试著自己花点脑筋，相信自己的感觉，不要追求标准答案。”

20 好家伙（Goodfellas，1990）

《教父》《美国往事》《好家伙》，三大黑帮经典。《好家伙》是跟前两部完全不同的逗比黑帮片，而且全程高能，毫无尿点！

19 出租车司机（Taxi Driver，1976）

马丁·斯科西斯的代表作，在1976年引起巨大轰动，其艺术成就在欧美各国受到了一致的肯定，称得上是当年世界上最具艺术魅力的影片之一。

18 城市之光（City Lights，1931）

卓别林最后一部无声片，永远的小人物，伟大的卓别林。

17 淘金记（The Gold Rush，1925）

开创性的喜剧电影，欢笑声响彻了一个世纪~除了怀念与敬仰，对这样的电影还能要求什么呢？

16 花村（McCabe & Mrs. Miller，1971）

一部西部片的挽歌，用雷纳德·科恩的弹唱做转场，已脱西部片之俗套。

15 黄金时代（The Best Years of Our Lives，1946）

从炮火散去后的平淡中挖掘出战争的创伤和永恒的亲情。本片在二战结束的次年推出，荣获第19届奥斯卡7项大奖。

14 纳什维尔（Nashville，1975）

70年代美国社会上的一切都在这里。浮生扰扰，散而不乱；曲音靡靡，悦耳动心。

13 西北偏北（North by Northwest，1959）

希区柯克代表作之一。谍战片鼻祖。

12 唐人街（Chinatown，1974）

国70年代黑色电影的经典之作，波兰斯基的阴冷风格贯彻全片，由剧本到导、演、摄影、配乐均属一流水准，上映时引起很大轰动。获得了包括奥斯卡最佳编剧、金球奖最佳剧情片、最佳男主角在内的多项国际大奖。

11 伟大的安巴逊（The Magnificent Ambersons，1942）

奥森·威尔斯继《公民凯恩》后的第二部作品，在拍摄完成后遭到片商剪刀伺候，最初粗剪版本长度是135分钟，最终被剪掉了50分钟，还重新拍摄了结尾，被删改的面目全非。但1942年上映的《伟大的安伯逊家族》仍然令人印象深刻。

10 教父2 （The Godfather: Part Ⅱ，1974）

既是前传，也是续集，两条线交错着叙述，一边是创业一边是奋斗。无论镜头还是画面色调的处理都一如既往的出色。最终获得了包括最佳影片、最佳导演在内的6项奖项，成为首部获得奥斯卡最佳影片的续集电影。

9 卡萨布兰卡（Casablanca，1942）

“世上有那么多的城镇，城镇有那么多的酒馆，她却走进了我的。”

8 惊魂记（Psycho，1960）

悬念大师希区柯克最具代表性的经典之作，这部空前成功的恐怖电影技巧大胆、画面惊人，即使在数十年后谋杀与血腥的场面仍吓得观众心惊肉跳。

7 雨中曲（Singin' in the Rain，1952）

美国歌舞片的无上代表。金·凯利(Gene Kelly)在雨中自导自唱自跳的主题曲，已成为好莱坞最经典的歌舞场景。

6 日出（Sunrise: A Song of Two Humans，1927）

默片时代最高艺术水准，即使是在如今这个“多彩”“多声”的电影时代，这部电影仍然显示出别具风味的经典生命力！

5 搜索者（The Searchers，1956）

福特和韦恩搭档的又一部经典西部片。约翰·韦恩的表演达到巅峰，影片出色的视觉效果也成为后辈楷模，特别是影片枪战一场，可以说是所有西部片中最优秀的一幕。

4 2001太空漫游（2001: A Space Odyssey，1968）

一经上映就大获成功，成为科幻电影史，乃至整个电影史上一部里程碑式的作品。其中的很多预言现在一一得以应验，

3 迷魂记（Vertigo，1958）

影片在美国公映时恶评如潮，但现在却被认为是希区柯克的经典作品，影响了整整一代的电影制作人。《迷魂记》也代表了导演在形式方面所达到的颠峰，是影片制作技巧的大突破。

2 教父（The Godfather，1972）

我将给他开出一个他无法拒绝的条件。——唐·维托·柯里昂

每个男人一生必看的里程碑式的黑帮史诗巨片。

1 公民凯恩（Citizen Kane，1941）

公民凯恩》不仅是部伟大的电影，它是有声电影出现初期的集大成者。——《芝加哥太阳时报》。

这部影史划时代的经典，是奥逊·威尔斯指导的第一部电影，他一人包揽导演、合作编剧、主演以及制片人，而当时他年仅25岁。

每人心中都有自己的百部佳作，所以这类榜单不管名目多大，都只是起到一份观影指南的作用。如果你现在正闹片荒，不妨参考看看，看过的可重温，没看的赶紧补上。

微服务应用-基于Spring Cloud和Docker构建电影推荐微服务

Thu, 28 Jul 2016 02:46:34 CST

前言

最近为了扩展自己对云应用的理解，找了好多基于Spring Cloud的demo，下面推荐两个开源社区项目：spring-cloud-microservice-example（基于Spring Cloud和Docker构建电影推荐微服务）和spring-cloud-event-sourcing-example（基于Spring Cloud和Reactor实现Event Sourcing构建网上商店微服务），我会相继写出作者项目博客的翻译文档，考虑外网问题，我将原英文文档pdf上传到资源里了，如果你对原文感兴趣，可以下载看看。

使用Spring Cloud和Docker构建电影推荐微服务

如果你对云应用很了解，可以直接移步下载运行项目（https://github.com/kbastani/spring-cloud-microservice-example），或跳转到部署步骤，

English tutorial available here: Building Microservices with Spring Cloud and Docker.

本博客系列将向你介绍一些使用Spring Cloud和Docker构建微服务平台的基本概念。

什么是Spring Cloud?

Spring Cloud 是Pivotal提供的用于简化分布式系统构建的工具集。Spring Cloud引入了云平台连接器(Cloud Connector)和服务连接器(Service Connector)的概念。云平台连接器是一个接口，需要由云平台提供者进行实现，以便库中的其他模块可以与该云平台协同工作。

在Spring Cloud提供的解决方案中，你将会发现如下的内容：

Spring Boot

Spring Cloud最重要的一点是它可以和Spring Boot一起工作，Spring Boot可以帮助开发者更容易地创建基于Spring的应用程序和服务。

从Spring Boot项目名称中的Boot就可以看出来，Spring Boot的作用在于创建和启动新的基于Spring框架的项目。Spring Boot会选择最适合的Spring子项目和第三方开源库进行整合。大部分Spring Boot应用只需要非常少的配置就可以快速运行起来。Spring Boot包含的特性如下：

创建可以独立运行的Spring应用。
直接嵌入Tomcat或Jetty服务器，不需要部署WAR文件。
提供推荐的基础POM文件来简化Apache Maven配置。
尽可能的根据项目依赖来自动配置Spring框架。
提供可以直接在生产环境中使用的功能，如性能指标、应用信息和应用健康检查。
没有代码生成，也没有XML配置文件。

服务发现和智能路由

每一个服务都含有一个特定意义的微服务架构。当你在Spring Cloud上构建微服务架构时，这里有几个基本概念需要首先澄清下。首先，你需要要先创建Configuration Service和Discovery Service两个基础服务。如下图所示：

上面的图片说明了四个微服务以及各个服务之间的依赖关系：

Configuration service处于最顶端，黄色标识，而且被其它微服务所依赖；
Discovery service处于最低端，蓝色标识，同时也被其它服务所依赖；
绿色标识的两个微服务是我们本系列博文中用到的两个应用案例：电影和观影建议。

配置服务

Configuration Service（配置服务）在微服务架构中是一个非常重要的组件。如12要素理论所说，微服务应用的配置应该存储在环境中，而不是本地项目中。Configuration service是一个必不可少的基础组件的原因是因为它可以对所有通过点对点和检索的基础服务进行服务管理。

假设我们有多个部署环境。比如我们有一个临时环境和一个生产环境，针对每个环境的配置将会是不同的。每一个configuration service 将会由一个独立的Git仓库来存放环境配置。没有其它环境能够访问到这个配置仓库，它只是提供该环境中运行的配置服务罢了。

当Configuration service启动后，它将会指向那些根据配置文件配置的路径并启动对应服务。每一个微服务通过读取自己配置文件中的具体环境来运行。在这一过程中，配置是通过版本管理来进行的内部和集中化管理，更改配置不需要重启服务。

通过Spring Cloud提供的服务终端，你可以更改环境配置，并向Discovery service（发现服务）发送一个刷新信号，所有的用户都会收到新的配置通知。

发现服务

Discovery Service（发现服务）是另一个重要的微服务架构的组件。Discovery Service管理运行在容器中的众多服务实例，而这些实例工作在集群环境下。在这些应用中，我们使用客户端的方式称之为从服务到服务。举个例子，我使用Spring Cloud Feign ，这是一个基于Restful风格的微服务提供的客户端开源项目，它是从Netflix OSS project项目中派生出来的。

@FeignClient("movie")
public interface MovieClient {
@RequestMapping(method = RequestMethod.GET, value = "/movies")
PagedResources findAll();

@RequestMapping(method = RequestMethod.GET, value = "/movies/{id}")
Movie findById(@RequestParam("id") String id);

@RequestMapping(method = RequestMethod.POST, value = "/movies",
  produces = MediaType.APPLICATION_JSON_VALUE)
void createMovie(@RequestBody Movie movie);
}

在上面的例子中，我创建了一个Feign 客户端，并映射了一个REST API方法来暴露电影服务。使用@FeignClient注解，可以声明我想要为movie微服务而创建的客户端API。接下来我声明了一个我想要实现的服务映射。通过在方法上声明一个URL规则来描述一个REST API的路由规则。

更令人兴奋的是，这一切在Spring Cloud中都很容易，我所要做的仅仅是知道service ID来创建我的Feign 客户端。服务的URL地址在运行时环境是自动配置的，因为每一个在集群中的微服务将会在启动时通过绑定serviceid的方式来进行注册。

微服务架构中的其它服务，也是通过上面提到的方式运行。我只需要知道进行通讯服务的serviceid，所有的操作都是通过Spring自动绑定的。

API 网关

API Gateway 服务是Spring Cloud的另一个重要组件。它可以用来管理集群服务中的领域实体。下图的绿色六边形是我们提供的数据驱动服务，主要用来管理自己的实体类和数据库。通过添加API Gateway服务，我们可以为通过下面绿颜色的服务为每一个API路由创建一个代理暴露接口。

假设推荐服务和电影服务都暴露他们自己的REST API在自己管理的域实体上。API gataway通过discovery service和从其它服务注入的基于代理路由的 API方法。通过这种方式，包括推荐服务和电影服务将拥有一个完整定义的路由，通过暴露的REST API获得本地的微服务。API Gateway将会重定义路由请求到服务实例，这些请求都是基于HTTP的。

示例项目

我已经在GitHub（https://github.com/kbastani/spring-cloud-microservice-example）上创建了一个实例项目，这个项目是一个端到端的原生云平台，使用Spring Cloud构建实际的微服务架构。

基本概念:

使用Docker进行集成测试
混合持久化
微服务架构
服务发现
API网关

Docker

使用Docker对每一个服务进行构建和部署。使用Docker Compose在一个开发机上进行端到端的集成测试。

混合持久化

混合持久化其实就是说使用多种数据库来存储。不同的微服务实例都会使用它们自己的数据库，并通过REST服务或者消息总线来通信，举个例子，你可以使用基于以下数据库来构建微服务：

Neo4j（图形化）

MongoDB（文档化）

MySQL（关联）

微服务架构

这个例子演示了如何使用微服务创建一个新的应用。由于在项目中的每一个微服务只有一个单一的父项目。开发者为此得到的收益是可以在本机上运行和开发每一个微服务。添加一个新的微服务非常简单，当发现微服务时将会自动发现运行时的集群环境上。

发现服务

项目中包含两个发现服务，一个是Netflix Eureka，另一个使用了Consul from Hashicorp。多种发现服务提供了多种选择，一个是使用（Consul）来做DNS服务集群，另一个是（Eureka）基于代理的API 网关。

API 网关

每一个微服务都关联Eureka，在整个集群中检索API路由。使用这个策略，每一个在集群上运行的微服务只需要通过一个共同的API网关进行负载均衡和暴露接口，每一个服务也会自动发现并将路由请求转发到自己的路由服务中。这个代理技术有助于开发用户界面，作为平台完整的API通过自己的主机映射为代理服务。

Docker 实例

下面的实例将会通过Maven来构建，使用Docker为每一个微服务构建容器镜像。我们可以很优雅的使用Docker Compose在我们自己的主机上搭建全部的微服务集群。

开始构建

在这之前，请先移步至项目的GitHub 仓库。

https://github.com/kbastani/spring-cloud-microservice-example

克隆或者fork这个项目并且把源码下载到自己的电脑上。下载完毕后，你需要使用Maven和Docker来编译和构建本地的容器镜像。

下载Docker

首先，如果你还没有Docker请先下载它。可以跟随这个指南（https://docs.docker.com/compose/install/）来获取Docker，然后在开发机上安装并运行。

当然你也需要安装Docker Compose，这个指南（https://docs.docker.com/compose/install/）将会帮到你。如果你使用的Mac OSX或者boot2docker，请确保在虚拟机上你给boot2docker提供的内存至少是5GB，下面这个命令能帮助你这么做：

$ boot2docker init --memory=5000

环境要求

能够运行实例程序，需要在你的开发机上安装下面的软件：

Maven 3
Java 8
Docker
Docker Compose

构建项目

通过命令行方式来构建当前项目，在项目的根目录中运行如下的命令：

$ mvn clean install

项目将会根据pom.xml中的每一个项目声明中下载相应的依赖jar包。每一个服务都将会被构建，同时Maven的Docker插件将会自动从本地Docker Registry中构建每一个容器镜像。Docker将会在构建成功后，根据命令行运行mvn clean install来清除相应的资源。

在项目成功构建后，你将会看到如下的输出：

[INFO] ------------------------------------------------------------------[INFO] Reactor Summary:
[INFO]
[INFO] spring-cloud-microservice-example-parent .......... SUCCESS [ 0.268s ]
[INFO] users-microservice ................................ SUCCESS [ 11.929s ]
[INFO] discovery-microservice ............................ SUCCESS [ 5.640s ]
[INFO] api-gateway-microservice .......................... SUCCESS [ 5.156s ]
[INFO] recommendation-microservice ....................... SUCCESS [ 7.732s ]
[INFO] config-microservice ............................... SUCCESS [ 4.711s ]
[INFO] hystrix-dashboard ................................. SUCCESS [ 4.251s ]
[INFO] consul-microservice ............................... SUCCESS [ 6.763s ]
[INFO] movie-microservice ................................ SUCCESS [ 8.359s ]
[INFO] movies-ui ......................................... SUCCESS [ 15.833s ]
[INFO] ------------------------------------------------------------------[INFO] BUILD SUCCESS
[INFO] ------------------------------------------------------------------

通过Docker compose 启动集群

现在每一个镜像都成功构建完毕，我们使用Docker Compose来加速启动我们的集群。我已经将Docker Compose的yaml文件包含进了项目中，大家可以从GitHub上获取。

现在我们通过下面的命令行启动微服务集群：

$ docker-compose up

如果一切配置都是正确的，每一个容器镜像将会通过在Docker上的虚拟容器和自动发现的网络服务来运行。当他们开始顺序启动时，你将会看到一系列的日志输出。这可能需要一段时间来完成，取决于运行你实例程序的机器性能。

一旦容器启动成功，你将会通过Eureka主机看到通过Discovery service注册上来的应用服务，通过命令行终端复制粘贴下面的命令到Docker中定义的$DOCKER_HOST环境变量中。

$ open $(echo \"$(echo $DOCKER_HOST)\"|
<span style="white-space:pre">	</span>\sed 's/tcp:\/\//http:\/\//g'|
<span style="white-space:pre">	</span>\sed 's/[0-9]\{4,\}/8761/g'|
<span style="white-space:pre">	</span>\sed 's/\"//g')

如果Eureka正确的启动，浏览器将会启动并打开Eureka服务的仪表盘，如下图所示：

我们将会看到每一个正在运行的服务实例和状态。通过下面的命令来获取数据驱动服务，例如 movie 服务。

$ open $(echo \"$(echo $DOCKER_HOST)/movie\"|
        \sed 's/tcp:\/\//http:\/\//g'|
        \sed 's/[0-9]\{4,\}/10000/g'|
        \sed 's/\"//g')

这个命令将会访问根据导航网关终端提供的代理方式访问movie服务的REST API终端。这些REST API使用HATEOAS 来配置，它是一个通过内嵌链接的方式支持自动发现服务的接口。

{
  "_links" : {
"self" : {
  "href" : "http://192.168.59.103:10000/movie"
},
"resume" : {
  "href" : "http://192.168.59.103:10000/movie/resume"
},
………… 

"autoconfig" : {
  "href" : "http://192.168.59.103:10000/movie/autoconfig"
}
  }
}

总结

这是使用Spring Cloud和Docker构建微服务架构的系列博文的第一部分。在本文中，我们接触到了如下的概念:

Service Discovery
Externalized Configuration
API Gateway
Service Orchestration with Docker Compose

在这之后的博文中，我们将会演示如何使用后台服务来构建前端应用程序，同时也会介绍一个混合性持久化的实例，使用MySQL和Neo4j。

特别感谢

省略。

作者：zeb_perfect 发表于2016/7/27 18:46:34 原文链接

阅读：0 评论：0 查看评论

万合天宜陈伟泓：中国电影90%以上都亏本，要做原创人才孵化器

Wed, 29 Jun 2016 00:02:47 CST

6 月 28 日，在 TechCrunch 2016 上海峰会上万合天宜 CFO 陈伟泓参与了文创生态主题的对话，以下是经 36 氪整理后的部分实录：

做一个剧就会有一个细胞分裂？

陈伟泓：“可以把我们万和天宜想像成原创人才的孵化空间。我们的公司组织结构跟一般的公司不太一样，有八个大的制片人工作室，下面有 30 多个制片人，这些制片人会根据对市场的认识来组织不同的题材。我们还有 100 多位编剧和导演，他们会根据自愿的原则进行小组、进行研发。

我们大概有 30 多位自己的签约艺人，当产品研发成熟之后，有大纲、有剧本之后就会跟视频平台洽谈，看看他们有没有购买意向。如果有购买意向、下了单就会投资把片子拍出来，这是我们的运作方式。

万和天宜最主要的目的是培养新人，所以做一个剧就会有一个细胞分裂。我们从《万万没想到》开始，细胞分裂有《报告老板》是子墨做导演，万万（没想到）是叫兽做的，相当于我们公司做内容创业的一个精深领袖一样。然后还有《名侦探狄仁杰》。我们做一个东西是细胞分裂，有新的团队，带新人出来。

题材上，我们不是很限制，因为这里有很多的艺术家，对于艺术家来说最重要的就是要尊重他们的创作自由，所以说什么东西喜欢就让他们做。万合天宜最多的时候一年会研发 70 个网剧，真正推向市场的大概一年不到 10 个。这 10 个的标准就是：观众喜欢，平台愿意买单，这样的话平衡艺术和商业。

每一集播放的时候，下面观众都有很多评论，在网上、贴吧、甚至在视频网站下面，我们的主创人员都会很认真的来看，因为观众这些评论会告诉他什么是好，什么是不好，那么他在以后的创作当中会做改进。互联网有个很好的地方就是说它的速度很快，出东西比较强，这样的话马上把观众的反馈吸引进去。”

网红的崛起源于对流量的争夺

“最近网红经济是一个非常热的词，如果我来定义网红，就是在移动互联网时代的自由品牌。网红在 PC 时段就有，像芙蓉姐姐，甚至于凤姐。这个词红就是因为最近移动互联网发展起来，大家对于流量的争夺是很激烈的。

我觉得网红现在看来有三种形式：一种像 Papi 酱短视频高手，Papi 酱很有才华的，非常精准的抓住了中产阶级女性的笑点和泪点；还有游戏直播平台的主播，像最好的游戏直播签约可以几千万；第三种是在淘宝上开网红店、服装店的。

有一种网红的升级方向，就是从短视频向影视方面发展，但是这条道路是比较艰难的。其实大家熟悉的叫兽易小星，就是我们公司的光头导演，他十几年前就是在 PC 时代最红的网红之一。

那时候叫土豆播客，连续几年是土豆播客，很多年轻人会看到他戴着叫兽面具在做短视频，他花了十年的时间慢慢学习做网剧，电影。因为网剧和电影有自身的规律，光有网络上的号召力是不够的，你要掌握这种规律，会讲故事，能够抓住观众的心。因为好的作品只有深入人心，让人心波动之后才有影响力。”

中国电影 90%以上都是亏本的

“去年11月份的时候，当时 IP 非常热的时候，我做过一些预测。IP 这么热，明星公司这么高，这是很自然的。为什么？市场上货币发行很多，但是实业不是很景气，影视工业发展很快这是投资的热点，属于大量资本涌入。但是供应量不能完全增加，所以必然 IP 的价格和明星的价格会被炒高。

而且中国电影有一个很大的特点，就是说 90%以上的电影是亏本的，有统计说其实赚钱的就是 5%到 8%左右，所以说中国电影需要努力。但是全球范围内好莱坞电影也有一个很大的问题，就是 80%的好莱坞电影其实是亏本的，84%的美剧也是亏本的，所以在美国市场上看，六大电影公司没有一家是独立的，因为资本市场上市不喜欢上上下下起起落落的。

解决的办法不是简单的用大量资本堆入，因为会提高要素的价格，最后风险还是会增加。所以说，最近我碰到一些做电视剧的朋友，他说如果我投资两亿拍一个电视剧，1 亿 3 会花在明星的成本上。一个好的 IP 也会花几千万，这样剩下他做制作的钱不多，风险很高、利润很高。”

如何建立壁垒？把二八原则倒过来

“我们觉得常年来看，影视方面最大的竞争壁垒不是钱。因为如果比钱的话，没一个人拼得过 BAT 的，最大的竞争壁垒还是你原创的能力。怎么培养原创能力？这是一个关键。所以我们万和天宜是试图探索一条新的商业模式，能够增加影视投资的成功率。

就是把二八原则，就是 80%失败，20%成功把它倒过来，能不能成为 80%甚至 90%以上的成功，就是赚多赚少是一个事儿，最重要的是要能够赚钱。所以说我们想到用互联网的方式，先比较小的成本测试我的 IP。

互联网上的网剧是一个 2B（业务），因为是视频平台代替买单，你不可能有暴利，但是你会有稳定的利润。有稳定利润的情况下来培养我们的 IP，培养我们的粉丝，然后我们有这样的一个基础，也锻炼我们团队知道观众喜欢什么。

再做电影，这样能够大大提高我们的成功率，刚刚讲的《万万没想到》的电影不是单靠票房，我们是多点回收，因为我们的艺人是自己的，IP 是自己的，网上有粉丝，所以才能有比较好的广告价格，有比较好的网络版权，在商业界把成本收回来。接下去的电影都会遵循这样的思路。”

为豆瓣电影实现Item-based协同过滤的推荐系统

Thu, 03 Dec 2015 11:00:03 CST

前面的两篇文章分别使用Spark mllib ALS实现了Model-based协同过滤推荐系统和使用Mahout实现了User-based的协同过滤推荐系统。
我们再来回顾一下item-base CF算法的特点：

物品数明显小于用户数的场合，否则物品相似度矩阵计算代价很大
适合长尾物品丰富，用户个性化需求强的领域
对新用户友好，对新物品不友好，因为物品相似度矩阵不需要很强的实时性
利用用户历史行为做推荐解释，比较令用户信服

所以item-base挺适合做电影的推荐。当用户浏览某个电影的时候，我们可以推荐给他类似的电影，或者根据用户以前的观影记录，推荐他感兴趣的电影。
本文还是以mahout 非分布式计算的方式实现。因为电影的记录比较少(166条),计算量不是很大。

代码也非常的简单，我们还是以皮尔逊算法计算相似度：

     public class DoubanItemBasedRecommender {
         public static void main(String[] args) throws Exception {
             String base = args[0];
             File file = new File(base + "user_movies.csv");
             DoubanFileDataModel model = new DoubanFileDataModel(file);
             ItemSimilarity similarity = new PearsonCorrelationSimilarity(model);
             ItemBasedRecommender recommender = new GenericItemBasedRecommender(model, similarity);
             BatchItemSimilarities batch = new MultithreadedBatchItemSimilarities(recommender, 5);
             int numSimilarities = batch.computeItemSimilarities(Runtime.getRuntime().availableProcessors(), 1, new FileSimilarItemsWriter(new File(base + "item_result.csv")));
             System.out.println("Computed " + numSimilarities + " similarities for " + model.getNumItems() + " items " + "and saved them to file " + base + "item_result.csv");
         }
     }

第 8行和第 9行使用多线程批处理的方式，把计算结果写入到一个文件中。
生成的文件如下：

     ......
     25821461,26253733,0.8279288411140442
     25821461,26252196,0.819756031036377
     25821461,26366634,0.8181818127632141
     25821461,25919385,0.7033082246780396
     25821585,26328118,0.794719398021698
     25821585,22556810,0.7655318379402161
     25821585,1972724,0.6770924925804138
     25821585,25809260,0.6347297430038452
     ......

电影 25821461 的信息如下：

和它相似度比较高的电影如下：

推荐还算不错，基本都属于剧情，喜剧类型，而且都是国外的，没有给推荐战争，科幻或者武侠类的。

为豆瓣电影实现User-based协同过滤的推荐系统

Wed, 02 Dec 2015 13:48:36 CST

协同过滤（Collaborative Filtering），简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐使用者感兴趣的信息，个人透过合作的机制给予信息相当程度的反馈（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息，反馈不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要，比如浏览信息，收藏，分享，点击等。

在前一篇文章使用Spark MLlib给豆瓣用户推荐电影中，在那篇文章我我介绍了使用Spark MLlib实现了model-based 的系统过滤之推荐系统。但是Spark并没有提供user-based, item-based这两种memory-based传统的协同过滤算法，所以接下来的这两篇文章我会介绍使用 Mahout实现user-based和item-based的电影推荐系统，数据还是基于豆瓣用户对电影的评论数据集。

Mahout是Apache的实现大规模的高性能的机器学习框架。它提供了很多的机器学习的算法和工具，以及利用Hadoop实现分布式的计算，本文将使用它的协同过滤算法(CF)实现非分布式的单机程序。

user-based协同过滤推荐算法就是通过不同用户对item的评分来评测用户之间的相似性，基于用户之间的相似性做出推荐。
下一篇文章中介绍item-based协同过滤推荐算法是通过用户对不同item的评分来评测item之间的相似性，基于item之间的相似性做出推荐。

User-based 优点：

能够过滤机器难以自动内容分析的信息，如艺术品，音乐等。
共用其他人的经验，避免了内容分析的不完全或不精确，并且能够基于一些复杂的，难以表述的概念（如信息质量、个人品味）进行过滤。
有推荐新信息的能力。可以发现内容上完全不相似的信息，使用者对推荐信息的内容事先是预料不到的。可以发现使用者潜在的但自己尚未发现的兴趣偏好。
推荐个性化、自动化程度高。能够有效的利用其他相似使用者的反馈信息。加快个性化学习的速度。

缺点

新使用者问题(New User Problem) 系统开始时推荐质量较差
新项目问题(New Item Problem) 质量取决于历史资料集
稀疏性问题（Sparsity）
系统延伸性问题（Scalability）。

下面根据代码介绍具体的实现:

     public class DoubanUserBasedRecommender {
         public static Map<Long, String> getMovies(String base) {
             Map<Long, String> movies = new HashMap<>();
             try {
                 File file = new File(base + "hot_movies.csv");
                 FileLineIterator iterator = new FileLineIterator(file, false);
                 String line = iterator.next();
                 while (!line.isEmpty()) {
                     String[] m = line.split(",");
                     movies.put(Long.parseLong(m[0]), m[2]);
                     line = iterator.next();
                 }
                 Closeables.close(iterator, true);
             } catch (Exception ex) {
             }
             return movies;
         }
     	......
     }

上面一段代码是生成电影ID和名称的字典，这个文件的每一行代表一条热门电影，如 20645098,8.2,小王子。这样在我们输出结果的时候，可以方便的查看电影名，因为电影名比ID更有意义。

     public class DoubanUserBasedRecommender {
     	......
     	public static void main(String[] args) throws Exception {
             String base = args[0];
             File file = new File(base + "user_movies.csv");
             DoubanFileDataModel model = new DoubanFileDataModel(file);
     		//皮尔逊相似度
             UserSimilarity similarity = new PearsonCorrelationSimilarity(model);
             UserNeighborhood neighborhood = new NearestNUserNeighborhood(2, similarity, model);
             Recommender recommender = new GenericUserBasedRecommender(model, neighborhood, similarity);
             Recommender cachingRecommender = new CachingRecommender(recommender);
     		//查看一些结果
     		Map<Long, String> movies = getMovies(base);
             for (long userID = 0; userID < 100; userID++) {
                 String userName = model.userIDAndNameMapping.get(userID);
                 List<RecommendedItem> recommendations = cachingRecommender.recommend(userID, 2);
                 System.out.print("为用户 " + userName + " 推荐电影:");
                 for (RecommendedItem recommendation : recommendations) {
                     System.out.print(recommendation.getItemID() + "," + movies.get(recommendation.getItemID()) + " ");
                 }
                 System.out.println();
             }
     		//输出结果到文件
     		PrintWriter writer = new PrintWriter(base + "result.csv", "UTF-8");
             for (long userID = 0; userID < model.userIDAndNameMapping.size(); userID++) {
                 String userName = model.userIDAndNameMapping.get(userID);
                 List<RecommendedItem> recommendations = cachingRecommender.recommend(userID, 5);
                 if (recommendations.size() > 0) {
                     String line = userName + ",";
                     for (RecommendedItem recommendation : recommendations) {
                         line += recommendation.getItemID() + ":" + movies.get(recommendation.getItemID()) + ",";
                     }
                     if (line.endsWith(","))
                         line = line.substring(0, line.length() - 1);
                     writer.println(line);
                 }
             }
             writer.close();

第 6行读入数据模型，因为我们的数据文件中用户的id是字符串类型的，我们需要将它转换成一个Long类型的数据，所以实现了一个定制的类 DoubanFileDataModel。
第 8行我们使用 PearsonCorrelationSimilarity计算相似度，Mahout还提供了其它的计算相似度的算法：

     //曼哈顿相似度
           //UserSimilarity similarity = new org.apache.mahout.cf.taste.impl.similarity.CityBlockSimilarity(model);
           //欧几里德相似度
           //UserSimilarity similarity = new org.apache.mahout.cf.taste.impl.similarity.EuclideanDistanceSimilarity(model);
           //对数似然相似度
           //UserSimilarity similarity = new org.apache.mahout.cf.taste.impl.similarity.LogLikelihoodSimilarity(model);
           //斯皮尔曼相似度
           //UserSimilarity similarity = new org.apache.mahout.cf.taste.impl.similarity.SpearmanCorrelationSimilarity(model);
           //Tanimoto 相似度
           //UserSimilarity similarity = new org.apache.mahout.cf.taste.impl.similarity.TanimotoCoefficientSimilarity(model)
           //Cosine相似度
           //UserSimilarity similarity = new org.apache.mahout.cf.taste.impl.similarity.UncenteredCosineSimilarity();

第 10生成UserBased Recommender类。
第 13行到第 22行我们为前100个用户生成推荐结果，并输出到终端窗口，这样我们可以先检查一下推荐的结果。
因为矩阵是很稀疏的，这种user-based算法可能没有提供给用户推荐的电影，有的用户可能不到5个推荐电影。
这段代码剩下的部分就是把所有的用户推荐结果都输出到一个文件中。

DoubanFileDataModel类的实现如下：

     public class DoubanFileDataModel extends FileDataModel {
         public static Map<String,Long> userNameAndIDMapping = new HashMap<>();
         public static Map<Long,String> userIDAndNameMapping = new HashMap<>();
         private static long userID = 0;
         public DoubanFileDataModel(File dataFile) throws IOException {
             super(dataFile);
         }
         public DoubanFileDataModel(File dataFile, String delimiterRegex) throws IOException {
             super(dataFile, delimiterRegex);
         }
         public DoubanFileDataModel(File dataFile, boolean transpose, long minReloadIntervalMS) throws IOException {
             super(dataFile, transpose, minReloadIntervalMS);
         }
         public DoubanFileDataModel(File dataFile, boolean transpose, long minReloadIntervalMS, String delimiterRegex) throws IOException {
             super(dataFile, transpose, minReloadIntervalMS, delimiterRegex);
         }
         @Override
         protected long readUserIDFromString(String value) {
             value = value.trim();
             if (userNameAndIDMapping.containsKey(value)) {
                 return userNameAndIDMapping.get(value);
             }
             userNameAndIDMapping.put(value, userID);
             userIDAndNameMapping.put(userID, value);
             userID++;
             return (userID -1);
         }
         @Override
         protected long readItemIDFromString(String value) {
             value = value.trim();
             return super.readItemIDFromString(value);
         }
     }

下面是推荐结果的片段:

     yuan521123,1866473:蚁人
     58472013,26289144:滚蛋吧！肿瘤君,2973079:霍比特人3：五军之战,23761370:速度与激情7,25746375:我是路人甲
     65532408,26021055:栀子花开
     68333051,10533913:头脑特工队,10741643:我的个神啊,10827341:疯狂外星人,25823833:天将雄师,26289144:滚蛋吧！肿瘤君
     80755814,11624706:小黄人大眼萌,10533913:头脑特工队,25723907:捉妖记,26289144:滚蛋吧！肿瘤君,24879839:道士下山
     129734802,25908042:横冲直撞好莱坞
     127252296,10741643:我的个神啊,25723907:捉妖记,2973079:霍比特人3：五军之战,6126442:一步之遥
     aellr,6846893:超能查派,25779218:匆匆那年,24879839:道士下山
     67656730,3338862:终结者：创世纪,6845667:秘密特工,6873042:明日世界,25752261:女间谍,25823833:天将雄师
     ravinenoravine,25838463:像素大战

比如用户 52973703，我们为ta推荐：

user-based CF算法适用于：

用户较少的场合，否则用户相似度矩阵计算代价很大
适合时效性较强，用户个性化兴趣不太明显的领域
对新用户不友好，对新物品友好，因为用户相似度矩阵不能实时计算
很难提供令用户信服的推荐解释

item-based CF算法适用于：

物品数明显小于用户数的场合，否则物品相似度矩阵计算代价很大
适合长尾物品丰富，用户个性化需求强的领域
对新用户友好，对新物品不友好，因为物品相似度矩阵不需要很强的实时性
利用用户历史行为做推荐解释，比较令用户信服

推荐阅读项亮的推荐系统实践,了解推荐系统的基础知识。

使用Spark MLlib给豆瓣用户推荐电影

Mon, 30 Nov 2015 15:10:11 CST

推荐算法就是利用用户的一些行为，通过一些数学算法，推测出用户可能喜欢的东西。
随着电子商务规模的不断扩大，商品数量和种类不断增长，用户对于检索和推荐提出了更高的要求。由于不同用户在兴趣爱好、关注领域、个人经历等方面的不同，以满足不同用户的不同推荐需求为目的、不同人可以获得不同推荐为重要特征的个性化推荐系统应运而生。

推荐系统成为一个相对独立的研究方向一般被认为始自1994年明尼苏达大学GroupLens研究组推出的GroupLens系统。该系统有两大重要贡献：一是首次提出了基于协同过滤(Collaborative Filtering)来完成推荐任务的思想，二是为推荐问题建立了一个形式化的模型。基于该模型的协同过滤推荐引领了之后推荐系统在今后十几年的发展方向。

目前，推荐算法已经已经被广泛集成到了很多商业应用系统中，比较著名的有Netflix在线视频推荐系统、Amazon网络购物商城等。实际上，大多数的电子商务平台尤其是网络购物平台，都不同程度地集成了推荐算法，如淘宝、京东商城等。Amazon发布的数据显示，亚马逊网络书城的推荐算法为亚马逊每年贡献近三十个百分点的创收。

常用的推荐算法

基于人口统计学的推荐(Demographic-Based Recommendation):该方法所基于的基本假设是“一个用户有可能会喜欢与其相似的用户所喜欢的物品”。当我们需要对一个User进行个性化推荐时，利用User Profile计算其它用户与其之间的相似度，然后挑选出与其最相似的前K个用户，之后利用这些用户的购买和打分信息进行推荐。
基于内容的推荐(Content-Based Recommendation):Content-Based方法所基于的基本假设是“一个用户可能会喜欢和他曾经喜欢过的物品相似的物品”。
基于协同过滤的推荐(Collaborative Filtering-Based Recommendation)是指收集用户过去的行为以获得其对产品的显式或隐式信息，即根据用户对
物品或者信息的偏好，发现物品或者内容本身的相关性、或用户的相关性，然后再基于这些关联性进行推荐。基于协同过滤的推荐可以分基于用户的推荐（User-based Recommendation），基于物品的推荐（Item-based Recommendation），基于模型的推荐（Model-based Recommendation）等子类。

以上内容copy自参考文档1

ALS算法

LS是alternating least squares的缩写 , 意为交替最小二乘法。该方法常用于基于矩阵分解的推荐系统中。例如：将用户(user)对商品(item)的评分矩阵分解为两个矩阵：一个是用户对商品隐含特征的偏好矩阵，另一个是商品所包含的隐含特征的矩阵。在这个矩阵分解的过程中，评分缺失项得到了填充，也就是说我们可以基于这个填充的评分来给用户最商品推荐了。
由于评分数据中有大量的缺失项，传统的矩阵分解SVD（奇异值分解）不方便处理这个问题，而ALS能够很好的解决这个问题。对于R(m×n)的矩阵，ALS旨在找到两个低维矩阵X(m×k)和矩阵Y(n×k)，来近似逼近R(m×n)，即：$\tilde{R} = XY$ ，其中，$X\in \mathbb{R}^{m\times d}$，$Y\in \mathbb{R}^{d\times n}$，d 表示降维后的维度，一般 d<<r，r表示矩阵 R 的秩，$r<<min(m,n)$。

为了找到低维矩阵X,Y最大程度地逼近矩分矩阵R，最小化下面的平方误差损失函数。
$$L(X,Y) = \sum_{u,i}(r_{ui} - x_{u}^{T}y_{i})^{2}$$

为防止过拟合给公式 (1) 加上正则项，公式改下为： $$L(X,Y) = \sum_{u,i}(r_{ui} - x_{u}^{T}y_{i})^{2} + \lambda (\left | x_{u}\right |^{2} +　\left | y_{i}\right |^{2})......(2)$$

其中$x_{u}\in \mathbb{R}^{d}，y_{i}\in \mathbb{R}^{d}$，$1\leqslant u\leqslant m$，$1\leqslant i\leqslant n$，$\lambda$是正则项的系数。
MLlib 的实现算法中有以下一些参数：

numBlocks
用于并行化计算的分块个数 (-1为自动分配)
rank
模型中隐藏因子的个数，也就是上面的 r
iterations
迭代的次数，推荐值：10-20
lambda
惩罚函数的因数，是ALS的正则化参数，推荐值：0.01
implicitPrefs
决定了是用显性反馈ALS的版本还是用适用隐性反馈数据集的版本
alpha
是一个针对于隐性反馈 ALS 版本的参数，这个参数决定了偏好行为强度的基准

隐性反馈 vs 显性反馈
基于矩阵分解的协同过滤的标准方法一般将用户商品矩阵中的元素作为用户对商品的显性偏好。在许多的现实生活中的很多场景中，我们常常只能接触到隐性的反馈（例如游览，点击，购买，喜欢，分享等等）在 MLlib 中所用到的处理这种数据的方法来源于文献： Collaborative Filtering for Implicit Feedback Datasets。本质上，这个方法将数据作为二元偏好值和偏好强度的一个结合，而不是对评分矩阵直接进行建模。因此，评价就不是与用户对商品的显性评分而是和所观察到的用户偏好强度关联了起来。然后，这个模型将尝试找到隐语义因子来预估一个用户对一个商品的偏好。

以上的介绍带着浓重的学术气息，需要阅读更多的背景知识才能了解这些算法的奥秘。Spark MLlib为我们提供了很好的协同算法的封装。当前MLlib支持基于模型的协同过滤算法，其中 user和 product对应上面的user和item，user和product之间有一些隐藏因子。MLlib使用 ALS(alternating least squares)来学习/得到这些潜在因子。

下面我们就以实现一个豆瓣电影推荐系统为例看看如何使用Spark实现此类推荐系统。以此类推，你也可以尝试实现豆瓣图书，豆瓣音乐，京东电器商品推荐系统。

豆瓣数据集

一般学习Spark MLlib ALS会使用 movielens数据集。这个数据集保存了用户对电影的评分。
但是这个数据集对于国内用户来说有点不接地气，事实上国内有一些网站可以提供这样的数据集，比如豆瓣，它的人气还是挺高的。
但是豆瓣并没有提供这样一个公开的数据集，所以我用抓取了一些数据做测试。
数据集分为两个文件：

hot_movies.csv: 这个文件包含了热门电影的列表，一种166个热门电影。格式为 <movieID>,<评分>,<电影名>，如

     20645098,8.2,小王子
     26259677,8.3,垫底辣妹
     11808948,7.2,海绵宝宝
     26253733,6.4,突然变异
     25856265,6.7,烈日迷踪
     26274810,6.6,侦探：为了原点

user_movies.csv: 这个文件包含用户对热门电影的评价，格式为 <userID>:<movieID>:<评分>

     adamwzw,20645098,4
     baka_mono,20645098,3
     iRayc,20645098,2
     blueandgreen,20645098,3
     130992805,20645098,4
     134629166,20645098,5
     wangymm,20645098,3

可以看到，用户名并不完全是整数类型的，但是MLlib ALS算法要求user,product都是整型的，所以我们在编程的时候需要处理一下。
有些用户只填写了评价，并没有打分，文件中将这样的数据记为-1。在ALS算法中，把它转换成3.0，也就是及格60分。虽然可能和用户的实际情况不相符，但是为了简化运算，我在这里做了简化处理。
用户的评分收集了大约100万条，实际用户大约22万。这个矩阵还是相当的稀疏。

注意这个数据集完全基于豆瓣公开的网页，不涉及任何个人的隐私。

模型实现

本系统使用Scala实现。
首先读入这两个文件，得到相应的弹性分布数据集RDD (第 7行和第 8行)。

     object DoubanRecommender {
       def main(args: Array[String]): Unit = {
         val sc = new SparkContext(new SparkConf().setAppName("DoubanRecommender"))
         //val base = "/opt/douban/"
         val base = if (args.length > 0) args(0) else "/opt/douban/"
         //获取RDD
         val rawUserMoviesData = sc.textFile(base + "user_movies.csv")
         val rawHotMoviesData = sc.textFile(base + "hot_movies.csv")
         //准备数据
         preparation(rawUserMoviesData, rawHotMoviesData)
         println("准备完数据")
         model(sc, rawUserMoviesData, rawHotMoviesData)
       }
       ......
     }

第 10行调用 preparation方法，这个方法主要用来检查分析数据，得到数据集的一些基本的统计信息，还没有到协同算法那一步。

     def preparation( rawUserMoviesData: RDD[String],
                      rawHotMoviesData: RDD[String]) = {
       val userIDStats = rawUserMoviesData.map(_.split(',')(0).trim).distinct().zipWithUniqueId().map(_._2.toDouble).stats()
       val itemIDStats = rawUserMoviesData.map(_.split(',')(1).trim.toDouble).distinct().stats()
       println(userIDStats)
       println(itemIDStats)
       val moviesAndName = buildMovies(rawHotMoviesData)
       val (movieID, movieName) = moviesAndName.head
       println(movieID + " -> " + movieName)
     }

第 5行和第 6行打印RDD的statCounter的值，主要是最大值，最小值等。
第 9行输出热门电影的第一个值。
输出结果如下：

     1
     2
     3

     (count: 223239, mean: 111620.188663, stdev: 64445.607152, max: 223966.000000, min: 0.000000)
     (count: 165, mean: 20734733.139394, stdev: 8241677.225813, max: 26599083.000000, min: 1866473.000000)
     6866928 -> 进击的巨人真人版：前篇

方法 buildMovies读取 rawHotMoviesData，因为 rawHotMoviesData的每一行是一条类似 20645098,8.2,小王子的字符串，需要按照,分割，得到第一个值和第三个值：

     def buildMovies(rawHotMoviesData: RDD[String]): Map[Int, String] =
       rawHotMoviesData.flatMap { line =>
         val tokens = line.split(',')
         if (tokens(0).isEmpty) {
           None
         } else {
           Some((tokens(0).toInt, tokens(2)))
         }
       }.collectAsMap()

我们使用这个Map可以根据电影的ID得到电影实际的名字。

下面就重点看看如何使用算法建立模型的：

     def model(sc: SparkContext,
                 rawUserMoviesData: RDD[String],
                 rawHotMoviesData: RDD[String]): Unit = {
         val moviesAndName = buildMovies(rawHotMoviesData)
         val bMoviesAndName = sc.broadcast(moviesAndName)
         val data = buildRatings(rawUserMoviesData)
         val userIdToInt: RDD[(String, Long)] =
           data.map(_.userID).distinct().zipWithUniqueId()
         val reverseUserIDMapping: RDD[(Long, String)] =
           userIdToInt map { case (l, r) => (r, l) }
         val userIDMap: Map[String, Int] =   userIdToInt.collectAsMap().map { case (n, l) => (n, l.toInt) }
         val bUserIDMap = sc.broadcast(userIDMap)
         val ratings: RDD[Rating] = data.map { r => Rating(bUserIDMap.value.get(r.userID).get, r.movieID, r.rating)}.cache()
         //使用协同过滤算法建模
         //val model = ALS.trainImplicit(ratings, 10, 10, 0.01, 1.0)
         val model = ALS.train(ratings, 50, 10, 0.0001)
         ratings.unpersist()
         println("输出第一个userFeature")
         println(model.userFeatures.mapValues(_.mkString(", ")).first())
         for (userID <- Array(100,1001,10001,100001,110000)) {
           checkRecommenderResult(userID, rawUserMoviesData, bMoviesAndName, reverseUserIDMapping, model)
         }
         unpersist(model)
       }

第 4行到第 12行是准备辅助数据，第 13行准备好ALS算法所需的数据RDD[Rating]。
第 16行设置一些参数训练数据。这些参数可以根据下一节的评估算法挑选一个较好的参数集合作为最终的模型参数。
第 21行是挑选几个用户，查看这些用户看过的电影，以及这个模型推荐给他们的电影。

     def checkRecommenderResult(userID: Int, rawUserMoviesData: RDD[String], bMoviesAndName: Broadcast[Map[Int, String]], reverseUserIDMapping: RDD[(Long, String)], model: MatrixFactorizationModel): Unit = {
         val userName = reverseUserIDMapping.lookup(userID).head
         val recommendations = model.recommendProducts(userID, 5)
         //给此用户的推荐的电影ID集合
         val recommendedMovieIDs = recommendations.map(_.product).toSet
         //得到用户点播的电影ID集合
         val rawMoviesForUser = rawUserMoviesData.map(_.split(',')).
           filter { case Array(user, _, _) => user.trim == userName }
         val existingUserMovieIDs = rawMoviesForUser.map { case Array(_, movieID, _) => movieID.toInt }.
           collect().toSet
         println("用户" + userName + "点播过的电影名")
         //点播的电影名
         bMoviesAndName.value.filter { case (id, name) => existingUserMovieIDs.contains(id) }.values.foreach(println)
         println("推荐给用户" + userName + "的电影名")
         //推荐的电影名
         bMoviesAndName.value.filter { case (id, name) => recommendedMovieIDs.contains(id) }.values.foreach(println)
       }

比如用户 yimiao曾经点评过以下的电影：

然后这个模型为他推荐

基本都属于喜剧动作，爱情类的，看起来还不错。

评价

当然，我们不能凭着自己的感觉评价模型的好坏，尽管我们直觉告诉我们，这个结果看不错。我们需要量化的指标来评价模型的优劣。
我们可以通过计算均方差（Mean Squared Error, MSE）来衡量模型的好坏。数理统计中均方误差是指参数估计值与参数真值之差平方的期望值，记为MSE。MSE是衡量“平均误差”的一种较方便的方法，MSE可以评价数据的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。
我们可以调整rank，numIterations，lambda，alpha这些参数，不断优化结果，使均方差变小。比如：iterations越多，lambda较小，均方差会较小，推荐结果较优。

     def evaluate( sc: SparkContext,
                     rawUserMoviesData: RDD[String],
                     rawHotMoviesData: RDD[String]): Unit = {
         val moviesAndName = buildMovies(rawHotMoviesData)
         val bMoviesAndName = sc.broadcast(moviesAndName)
         val data = buildRatings(rawUserMoviesData)
         val userIdToInt: RDD[(String, Long)] =
           data.map(_.userID).distinct().zipWithUniqueId()
         val userIDMap: Map[String, Int] =
           userIdToInt.collectAsMap().map { case (n, l) => (n, l.toInt) }
         val bUserIDMap = sc.broadcast(userIDMap)
         val ratings: RDD[Rating] = data.map { r =>
           Rating(bUserIDMap.value.get(r.userID).get, r.movieID, r.rating)
         }.cache()
     	val numIterations = 10
         for (rank   <- Array(10,  50);
              lambda <- Array(1.0, 0.01,0.0001)) {
           val model = ALS.train(ratings, rank, numIterations, lambda)
           // Evaluate the model on rating data
           val usersMovies = ratings.map { case Rating(user, movie, rate) =>
             (user, movie)
           }
           val predictions =
             model.predict(usersMovies).map { case Rating(user, movie, rate) =>
               ((user, movie), rate)
             }
           val ratesAndPreds = ratings.map { case Rating(user, movie, rate) =>
             ((user, movie), rate)
           }.join(predictions)
           val MSE = ratesAndPreds.map { case ((user, movie), (r1, r2)) =>
             val err = (r1 - r2)
             err * err
           }.mean()
           println(s"(rank:$rank, lambda: $lambda, Explicit ) Mean Squared Error = " + MSE)
         }
         for (rank   <- Array(10,  50);
              lambda <- Array(1.0, 0.01,0.0001);
              alpha  <- Array(1.0, 40.0)) {
           val model = ALS.trainImplicit(ratings, rank, numIterations, lambda, alpha)
           // Evaluate the model on rating data
           val usersMovies = ratings.map { case Rating(user, movie, rate) =>
             (user, movie)
           }
           val predictions =
             model.predict(usersMovies).map { case Rating(user, movie, rate) =>
               ((user, movie), rate)
             }
           val ratesAndPreds = ratings.map { case Rating(user, movie, rate) =>
             ((user, movie), rate)
           }.join(predictions)
           val MSE = ratesAndPreds.map { case ((user, movie), (r1, r2)) =>
             val err = (r1 - r2)
             err * err
           }.mean()
           println(s"(rank:$rank, lambda: $lambda,alpha:$alpha ,implicit  ) Mean Squared Error = " + MSE)
         }
       }

第 16行到第 35行评估显性反馈的参数的结果，第 36行到第 56行评估隐性反馈的参数的结果。
评估的结果如下：

     (rank:10, lambda: 1.0, Explicit ) Mean Squared Error = 1.5592024394027315                                                                                
     (rank:10, lambda: 0.01, Explicit ) Mean Squared Error = 0.1597401855959523                                                                                
     (rank:10, lambda: 1.0E-4, Explicit ) Mean Squared Error = 0.12000266211936791                                                                                
     (rank:50, lambda: 1.0, Explicit ) Mean Squared Error = 1.559198310777233                                                                                
     (rank:50, lambda: 0.01, Explicit ) Mean Squared Error = 0.015537276558121003                                                                                
     (rank:50, lambda: 1.0E-4, Explicit ) Mean Squared Error = 0.0029577581713741545                                                                                
     (rank:10, lambda: 1.0,alpha:1.0 ,implicit  ) Mean Squared Error = 10.352420717999916                                                                                
     (rank:10, lambda: 1.0,alpha:40.0 ,implicit  ) Mean Squared Error = 7.37758192206552                                                                                
     (rank:10, lambda: 0.01,alpha:1.0 ,implicit  ) Mean Squared Error = 9.138333638388543                                                                                
     (rank:10, lambda: 0.01,alpha:40.0 ,implicit  ) Mean Squared Error = 7.288950103420938                                                                                
     (rank:10, lambda: 1.0E-4,alpha:1.0 ,implicit  ) Mean Squared Error = 9.090678049662575                                                                                
     (rank:10, lambda: 1.0E-4,alpha:40.0 ,implicit  ) Mean Squared Error = 7.20726197573743                                                                               
     (rank:50, lambda: 1.0,alpha:1.0 ,implicit  ) Mean Squared Error = 9.920570381082038                                                                                
     (rank:50, lambda: 1.0,alpha:40.0 ,implicit  ) Mean Squared Error = 7.202627234339378                                                                                
     (rank:50, lambda: 0.01,alpha:1.0 ,implicit  ) Mean Squared Error = 7.756830091892575                                                                                
     (rank:50, lambda: 0.01,alpha:40.0 ,implicit  ) Mean Squared Error = 7.054065456899226                                                               
     (rank:50, lambda: 1.0E-4,alpha:1.0 ,implicit  ) Mean Squared Error = 7.599617817478698                                                                                
     (rank:50, lambda: 1.0E-4,alpha:40.0 ,implicit  ) Mean Squared Error = 7.0397787030727645

可以看到rank为50, lambda为0.0001的显性反馈时的MSE最小。我们就已这组参数作为我们的推荐模型。

模型应用

既然我们已经得到了一个很好的推荐模型，下一步就是使用它为所有的用户生成推荐集合。

     def recommend(sc: SparkContext,
                     rawUserMoviesData: RDD[String],
                     rawHotMoviesData: RDD[String],
                     base:String): Unit = {
         val moviesAndName = buildMovies(rawHotMoviesData)
         val bMoviesAndName = sc.broadcast(moviesAndName)
         val data = buildRatings(rawUserMoviesData)
         val userIdToInt: RDD[(String, Long)] =
           data.map(_.userID).distinct().zipWithUniqueId()
         val reverseUserIDMapping: RDD[(Long, String)] =
           userIdToInt map { case (l, r) => (r, l) }
         val userIDMap: Map[String, Int] =
           userIdToInt.collectAsMap().map { case (n, l) => (n, l.toInt) }
         val bUserIDMap = sc.broadcast(userIDMap)
         val bReverseUserIDMap = sc.broadcast(reverseUserIDMapping.collectAsMap())
         val ratings: RDD[Rating] = data.map { r =>
           Rating(bUserIDMap.value.get(r.userID).get, r.movieID, r.rating)
         }.cache()
         //使用协同过滤算法建模
         //val model = ALS.trainImplicit(ratings, 10, 10, 0.01, 1.0)
         val model = ALS.train(ratings, 50, 10, 0.0001)
         ratings.unpersist()
         //model.save(sc, base+"model")
         //val sameModel = MatrixFactorizationModel.load(sc, base + "model")
         val allRecommendations = model.recommendProductsForUsers(5) map {
           case (userID, recommendations) => {
             var recommendationStr = ""
             for (r <- recommendations) {
               recommendationStr += r.product + ":" + bMoviesAndName.value.getOrElse(r.product, "") + ","
             }
             if (recommendationStr.endsWith(","))
               recommendationStr = recommendationStr.substring(0,recommendationStr.length-1)
     
             (bReverseUserIDMap.value.get(userID).get,recommendationStr)
           }
         }
         allRecommendations.saveAsTextFile(base + "result.csv")
         unpersist(model)
       }

这里将推荐结果写入到文件中，更实际的情况是把它写入到HDFS中，或者将这个RDD写入到关系型数据库中如Mysql, Postgresql,或者NoSQL数据库中，如MongoDB, cassandra等。这样我们就可以提供接口为指定的用户提供推荐的电影。

查看本例生成的推荐结果，下面是其中的一个片段，第一个字段是用户名，后面是五个推荐的电影(电影ID:电影名字)

     (god8knows,25986688:流浪者年代记,26582787:斗地主,24405378:王牌特工：特工学院,22556810:猛龙特囧,25868191:极道大战争)
     (60648596,25853129:瑞奇和闪电,26582787:斗地主,3445457:无境之兽,3608742:冲出康普顿,26297388:这时对那时错)
     (120501579,25856265:烈日迷踪,3608742:冲出康普顿,26275494:橘色,26297388:这时对那时错,25868191:极道大战争)
     (xrzsdan,24405378:王牌特工：特工学院,26599083:妈妈的朋友,10440076:最后的女巫猎人,25868191:极道大战争,25986688:流浪者年代记)
     (HoldonBoxer,10604554:躲藏,26297388:这时对那时错,26265099:白河夜船,26275494:橘色,3608742:冲出康普顿)
     (46896492,1972724:斯坦福监狱实验,26356488:1944,25717176:新宿天鹅,26582787:斗地主,25919385:长寿商会)
     (blankscreen,24405378:王牌特工：特工学院,26599083:妈妈的朋友,25955372:1980年代的爱情,25853129:瑞奇和闪电,25856265:烈日迷踪)
     (linyiqing,3608742:冲出康普顿,25868191:极道大战争,26275494:橘色,25955372:1980年代的爱情,26582787:斗地主)
     (1477412,25889465:抢劫,25727048:福尔摩斯先生,26252196:卫生间的圣母像,26303865:维多利亚,26276359:酷毙了)
     (130875640,24405378:王牌特工：特工学院,25856265:烈日迷踪,25986688:流浪者年代记,25868191:极道大战争,25898213:军犬麦克斯)
     (49996306,25919385:长寿商会,26582787:斗地主,26285777:有客到,25830802:对风说爱你,25821461:旅程终点)
     (fanshuren,10604554:躲藏,26582787:斗地主,25856265:烈日迷踪,25843352:如此美好,26275494:橘色)
     (sweetxyy,26582787:斗地主,25868191:极道大战争,3608742:冲出康普顿,25859495:思悼,22556810:猛龙特囧)

综述

通过前面的介绍，我们可以了解如何使用Spark MLlib的ALS算法为22万豆瓣用户实现一个可用的推荐系统，如何加载数据集和输出数据结果，以及如何对模型进行有效的评估。
你可以使用本文的算法实现其它的推荐系统，如图书，文章，商品等。

参考文档

21世纪以来最杰出的日本动画电影top15，你错过多少了？

Thu, 01 Oct 2015 08:22:00 CST

动画已经不只是小孩子的专利了，一部好的动画电影就总能用最诗化的叙事方式，陈述让人产生共鸣的情感或社会的真实百态！以下这些是最近外国网站tastelfcinema选出在[21世纪以来最杰出的日本动画电影]，你错过多少了？

TOP10 《秒速五厘米》

新海诚的作品以精致细腻的作画风格见长，在备受欢迎的《秒速五厘米》便可窥知一二。《秒速五厘米》的故事线分为三个，分别从男女主角的相遇和重逢，他人眼中的男主角及在分隔两地后各自的生活为主题，透过不同的视角阐述相遇的喜悦和分享的遗憾。

TOP9 《千年女优》

说到日本动画产业中的动画导演代表，自然不能忘记今敏。今敏留下的动画虽然不多，但是在用分镜处理时间和空间的技巧却对往后的电影有着莫大的启发，而他的《千年女优》、《蓝色恐惧》及《盗梦侦探》等作，都奖书写在纸上的文字做出了最瑰丽的想象。

《千年女优》在2001年公开，用剧中剧的特别手法，诠释女主角千代子的一生。《千年女优》透过巧妙的剪接方式，呈现出如同梦镜的虚实空间，女主角穿梭于[现实]和[电影中]，在观看的同时甚至会有一种无法清楚分辨的虚幻感。

TOP 8 《东京教父》

《东京教父》有别于《蓝色恐惧》和《千年女优》以演员和歌手为主角的题材，将故事主轴放在位于社会底层人物的三位流浪汉身上，但是故事中的人妖、游发和离家少女要如何说故事？在今敏的《东京教父》中能看见人性的纯真光彩，让我们在看完电影后，能再度感受到[每个人诞生在这个世界上都是纯洁无暇]的美好涵意。

TOP 7 《狼的孩子雨和雪》

《狼的孩子雨和雪》的主题着重于亲子关系，故事描述女主解[花]在学校认识狼人男主角[他]，并生下了姐弟[雪]和[雨]，但某天男主解去忽然死亡，顿失依靠的花毅然离开城市来到乡间，忍下丧夫打击并面对严峻考验，只为将两个孩子养育成人的感人故事。

TOP 6《起风了》

《起风了》是日本动画电影巨匠宫崎骏的最后一部长篇动画作品，以零式战斗机的设计者堀越二郎的生平堀辰雄的小说《起风了》为主轴，描绘渴望飞翔的年轻灵魂，在爱情与上岁数是翻滚的感人故事。描述梦想设计飞机的堀越二郎进入东京帝国大学就读，并在努力耕耘后成为飞机设计师，接着与在火车上邂逅的菜穗子重逢并相恋的故事。电影基调轻缓而写实，但却仍有宫崎骏一贯的魔幻风格。

TOP5 《盗梦侦探》

《盗梦侦探》描述29岁的千叶敦子是一名精神治疗师，她与同事创造出DCmimi，这项新科技让人类能窥视彼此的梦境，并从中找出患者潜意识内的心理病根，但却同时有对潜意识造成破坏性影响的能力，而在某天这个科技被不肖之徒偷走，也让千叶敦子化身成[Paprika]，游走在梦境和现实中追捕偷窃之人……

TOP4 《恶童》

《恶童》是改编日本漫画家松本大洋的漫画作品，曾改编成电视动画及动画电影，背景设置在架空城市[宝町]，这个地方与时代脱节，没有规则，是个处处充满义气与暴力的世界，直到外来公司[KIDDY KASTLE]来到宝町，更意图要实行改造城市的计划后，居住在城市中的两位少年[黑]与[白]，他们的命运也将随着外来者的产生巨大的改变。

TOP 3《攻壳机动队2：INNOCENCE》

《攻壳机动队2》系列被许多科幻动漫迷誉为经典，而在其中最受欧美网友盛赞的，便属《攻壳机动队2:无罪》作品延续第一部的剧情，继续讲述主角草薙素子与[傀儡师]融合后下落不明的剧情，在《攻壳机动队2:无罪》中导演押井守透过动画分镜，一次又一次地对[人]与[机械]之间的异同及地位提出问题，将语言及剧情留给观众自行咀嚼，并在电影中重新获得新的体验。

TOP2 《大都会》

宫崎骏曾这样评论大友克洋：[一位异能少年站立在东京的废墟之上，人人都会说他是大友克洋。]我们不难想象，从《阿基拉》、《蒸气少年》等作品中，都不难看见大友克洋对于人、机械和空间的情有独钟。《大都会》改编日本漫画家手冢治虫的同名作品，由大友克洋协助编剧，动画导演林重行担任导演，在电影中呈现出人类与机器人共存的社会，并将人工智能、人造人及反叛意识的议题呈现的淋漓尽致。

TOP 1《千与千寻》

若说2001年是动画电影百花齐放的一年，其实并不为过，除了我们前面介绍的《千年女优》及《大都会》外，最各界盛赞的大概就属宫崎骏的《千与千寻》。不只在日本创下史上最高票房的纪录，更是欧美影评人心中的佳作，在《千与千寻》中描述平凡的小学女孩[荻野千寻]误闯灵异小镇，同行的父母因贪吃变成猪，为了要解救双亲的千寻和汤婆婆立下在汤屋工作的契约，但在汤屋的生活中，她认识了许多新朋友，并逐渐变成坚强可靠的女孩。

TOP11-TOP15

《借物少女艾莉缇》

由宫崎骏导演，日本吉卜力工作室2010年上映的动画电影，剧情改编自英国小说家玛丽·诺顿的奇幻小说《地板下的小矮人》。

一位名叫翔的少年因为心脏病的关系，被带郊外的小屋里疗养，来到小屋时，他偶然在草堆丝中看见一个约10公分左右的女性小矮人。

那群居住在屋子下的小矮人们，为了求生存顺趁人类不注意的情况下，偷偷取走一些人灯的日常服务器，而他们称呼这种行为名：“借物”。那名被翔发现的女性小矮人，阿莉埃蒂，得知自己被偷看时相当惊恐，但随后便得知翔并没有恶意后，便慢慢试着跟翔接触，并与他展开了一段小小的友情。

《哈尔的移动城堡》

在19世纪的欧洲世界，史柏丽王国里出现了一座会移动的城堡。女主苏菲前往探望在工作的蕾蒂，被军官搭讪，苏菲不知该如何摆脱时冒出了哈尔塔救，苏菲遇见哈尔的女巫。当女巫得知哈尔与苏菲网页时，为了报复和苏菲，对她下了变老的诅咒。变老的苏菲决定离家出走，在路上苏菲救了稻草人，稻草人为苏菲引来了哈尔的移动城堡。

《短暂和平》

2013年7月20日于日本上映，由四段小故事「火要镇」、「九十九」、「GAMBO」、「别了，武器」组成由不同导演和作画者制作。

《穿越时空的少女》

故事讲述名叫绀野真琴的17岁普通高中生，在一次车祸后，获得了穿越时空的能力。经过多次练习真琴掌握了穿越时空的方法，经常用这个方法来解决生活中的麻烦事。

真琴和同班的两个男生，间宫千昭以及津田功介非常要好，三人一直是好朋友。而千昭突然向真琴表白爱意，令她十分困扰。真琴用穿越时空回到过去的方法抹消了这次告白，她希望能一直和他们保持好朋友的关系。不料，同学友梨向千昭告白，而暗恋功介的果步又找真琴来商量。为了帮助朋友真琴不断用穿越时空的能力，但事情反而越来越乱。

《星际牛仔：天国之门》

如果说宫崎俊的动画片是大部分人都喜闻乐见的作品，那么渡边信一朗的Cowboy Bebop就是只有小部分人会喜欢的片子。片子里对市井生活的刻画很写实，一点没有未来感，飞机在天上的时候是科幻的，一落地，就是和如今一模一样的凡人世界，这可能是这部动画片和其他科幻动画片的不同之处。

——END

5time语录QQ认证空间： http://user.qzone.qq.com/7116069，求关注！

5time语录官方微信号：i_5time，或者扫描下面图片添加：

IT瘾电影推荐

AI视频生成卷出新高度：高清电影画质免费无限玩，号称“史上最强”

实测“史上最强”视频生成AI

团队介绍

日本新电影中的爱情：低欲望时代，激情与倦怠的二元对立 - 文化 - 新京报网

[推广] 揭秘|朋友圈月入过万的低价电影票出票的秘密

《复联 4》热潮过后，电影院可能会付出更沉重的代价

过度扩张的中国电影院

影院供过于求，电影票却越来越贵，能看的电影越来越少

在电影技术方面，美国究竟比中国先进多久？

起源（1900s~1960s）

迈向新的高度（1960s~1990s）

对真实质感的追求（2000s至今）

“影视行业”存在吗？电影和剧集的区别，就像木鱼和金鱼的区别

2018 年全球票房前 10 名电影名单出炉，你都看过了哪些

2018 年我认为最好看的 8 部电影 & 电视剧

电影类

三块广告牌

小偷家族

无问西东

英美剧

英国式丑闻

杀死伊芙（第一季）

日剧类

unnatural

99.9：刑事专业律师（第二季 ）

大恋爱：与将我忘记的你

基于电影知识图谱的智能问答系统（八） -- 终极完结篇 - Appleyk的专栏 - CSDN博客

基于电影知识图谱的智能问答系统系列章节传送门：

一、效果预览

（1）电影简介

（2）电影评分

（3）电影演员列表

（4）演员A和演员B合作过哪些电影

（5）某演员出演过那种类型的电影或演过某种类型的电影有哪些

二、项目目录结构图

三、Movie节点类

四、加载自定义带词性的字典数据

五、项目完整地址

完结！！！

MovieTaster-使用Item2Vec做电影推荐

前言

MovieTaster

Item2Vec

MovieTaster是如何实现的

为什么我们拍电影像拍电视一样儿戏，而别人拍电视像拍电影一样精良？

《寻梦环游记》这段隐藏剧情，发现它才算真正看懂这部电影

为什么购物中心一层都不设有卫生间？电影院为什么在顶层？超市为什么在负一层？有什么固定的规划模式吗？

哪部电影的哪一幕让你直接泪崩了？

看电影能止痛，还能增强集体归属感

“讲故事” 的原始功能

悲、喜剧会刺激内啡肽产生，让人更耐痛

内啡肽的产生与群体归属感有关

脑洞时间

拓展阅读

看电影学英语 ‖ 十部经典电影中的十句经典台词

1.《教父》

2.《肖申克的救赎》

3.《阿甘正传》

4.《这个杀手不太冷》

5.《廊桥遗梦》

6.《少年派的奇幻漂流》

7.《V字仇杀队》

8.《勇敢的心》

9.《罪恶之城》

10.《灵异第六感》

豆瓣电影2016榜单：有人选择看到这世间的丑恶，有人选择看到美好

什么样的电影算是好电影？

李安：这六部电影，改变了我的一生

Java豆瓣电影爬虫——抓取电影详情和电影短评数据

可能感兴趣的文章

[原]Spark MLlib系列(二):基于协同过滤的电影推荐系统

前言

推荐系统的对比

Spark MLlib中的协同过滤

数据准备

实现的功能

实现思路

代码

运行

99.9：刑事专业律师（第二季）