大数据技术在广播电视监测中的应用探究

罗天

【摘要】广播电视行业的快速发展，满足了人们对精神文化生活的需求，是加快精神文明建设进程的关键。进入到信息化时代以来，对于广播电视监测工作提出了新的要求，监测范围和信息种类也在不断扩增，传统技术手段呈现出一定的局限性，难以适应当前工作的实际特点，限制了工作效率与质量的提升。大数据技术的应用，能够增强监测实效性，确保节目内容顺利播出。本文对大数据及其关键技术特点进行了深入介绍，同时提出当前广播电视监测的发展现状，探索大数据技术在广播电视监测中的应用策略。

【关键词】大数据技术;广播电视监测;应用

中图分类号：TN94               文献标识码：A               文章编号：1673-0348（2020）09-001-04

[Abstract] the rapid development of radio and television industry meets people's needs for spiritual and cultural life， which is the key to speed up the construction of spiritual civilization. Since entering the information age， new requirements have been put forward for the radio and television monitoring work. The monitoring range and information types are also expanding. The traditional technical means have some limitations， which are difficult to adapt to the actual characteristics of the current work and limit the improvement of work efficiency and quality. The application of big data technology can enhance the effectiveness of monitoring and ensure the smooth broadcast of program content. In this paper， the characteristics of big data and its key technologies are introduced. At the same time， the current development status of radio and television monitoring is proposed， and the application strategy of big data technology in radio and television monitoring is explored.

[Key words] big data technology; radio and television monitoring; application

廣播电视信号及节目内容监测监管、卫星信号及内容监测监管和网络音视频内容监测监管等，是当前广播电视监测工作的主要内容。在当前互联网与物联网发展速度逐渐加快的趋势下，在广播电视中信息的传递速率明显提升，而且其传播范围也在扩大，因此使得监测工作的难度也在提升。尤其是伴随着大数据时代的来临，广播电视中数据信息呈现出海量化的特征，只有对其进行有效识别、分析与整合，才能不断提升监测工作实效性，促进节目播出质量的提升。因此，应该充分发挥大数据技术的优势与价值，创新传统监测技术与方法，保障监测的精确性与实时性，消除传统数据处理技术的弊端。因此，应该从其基本技术特点和工作现状出发，制定针对性技术应用方案。

1. 大数据的基本内涵

随着当前社会生产生活信息数据的增多，其呈现出海量化的特征，这就是大数据，对其进行采集、整合与分析的技术就是大数据技术。传统处理模式已经难以满足当前数据处理的要求，大数据的出现则能够在洞察力和决策力上发挥关键作用，实现信息资源的优化整合。顾名思义，庞大的数据量是大数据的基本特征，而且在储存量和计算量上也不断增长。图片、文字和视频信息等都属于大数据的范畴之内，相较于传统处理手段和技术而言，在处理速度上的要求更高，这也是真正发挥大数据价值的基础与前提。此外，较低的价值密度也是大数据的基本特点之一。

2. 大数据的关键技术

数据预处理技术是大数据的关键技术之一，数据清洗和数据抽取是两种主要工作方法，包括了非结构化数据和结构化数据两种。对于数据的同质化处理，能够满足数据分析的工作要求。而数据清洗的应用，则能够提升有效信息获取的效率，防止无效信息产生的干扰，促进数据分析工作质量的提升，保障分析结果的可靠性。应该对当前数据预处理软件进行不断优化，使其能够满足实际监测工作要求。数据存储与数据管理技术的应用，可以实现对海量信息的存储与分类管理。尤其是根据数据特征建立相对应的数据库系统，可以增强数据管理整体能力，为修改和更新信息奠定基础。该技术的应用，真正减轻了人们的工作负担，从而减少人力资源投入。数据的可靠性也能够得到保障，防止数据出现较多的错误和失实问题。数据挖掘与智能分析技术的应用，能够对海量数据的价值进行深入挖掘，对目标信息进行快速提取。在该系统当中，智能分析技术的应用可以有效加快查找速度，满足信息识别的需求，从而增强广播电视监测质量。

3. 广播电视监测的发展现状

在当前广播电视监测中存在的主要问题，就是监测业务的衔接性与融合性较低，难以实现数据信息的快速传递与共享，对工作效率产生影响，不利于广播电视节目质量的提升。各个单位之间出现了脱节现象，数据交互的缺失使得数据资源价值未能得到充分体现。当前智慧监测系统的构建速度较慢，技术水平也较低。其次，在平台维护与升级中存在限制性因素。在科技领域的快速更新换代当中，硬件设施的升级速度也逐渐加快，如果在软件系统更新速度上过慢，将会导致其兼容性存在问题，使得硬件系統功能无法得到有效发挥。当前广播电视行业进入到了智能化时代，但是在监测技术上仍旧存在滞后性的问题，导致监测工作效果不佳，无法实现对多类信息的有效整合与分析，对于人工的依赖程度较高。无法对数据之间的关联性进行深入研究，数据的利用率较低，监管效率受到影响。

4. 大数据技术在广播电视监测中的应用流程

4.1 数据采集

数据采集是在广播电视监测中应用大数据技术的基础与前提，能够对被监测数据信息进行汇总处理，为后续工作提供支撑。在数据采集工作当中，应该保障数据采集的实时性、针对性和全面性，增强信息的可靠性。在传统工作模式下，由于监测环节之间存在脱节的问题，导致数据采集处理等工作效率不高，无法保障监测工作的有效性。尤其是系统的独立性较强，这也会导致信息资源的共享遇到较大阻碍。大数据技术的应用，能够增进多类型数据的有效融合，包括了视频数据和技术数据等等，保障数据采集的全面性，真实反映系统的运行特点与状况。当在广播电视节目中出现异常情况时，能够运用大数据技术进行及时监测并处理，防止广播电视节目出现停播的问题。大数据技术与监测系统的融合度较高，在数据采集、分析和存储中的优势也十分明显，对于广播电视节目的播出和停止时间进行智能化分析，为组织协调工作提供可靠的数据支撑。同时，为了能够增强系统的响应能力与速度，运用大数据技术还可以有效总结历史问题，并制定针对性预防与应急处理预案。大数据技术在数据采集中的作用范围较大，能够对播放信息实现全方位接收，因此故障处理的速度也会加快。在多种检测技术指标的验证下，能够使播放情况得到保障，快速储存非纯文字节目信息。对于海量信息的存储功能十分强大，故障信息可以被随时记录。应该在数据采集的基础上，建立完善的初始数据库，尤其是可以借助于网络爬虫等监控工具，提升数据采集量，保障数据库可以得到及时更新。

4.2 数据处理

在完成信息数据的采集后，应该对其进行及时有效处理，为监测工作提供保障，同时加快专业化模型的构建，增强数据处理与分析的可视化。在分类处理与过滤处理信息资源时，应该对相关媒体信息和文本信息进行深入挖掘，使内码向智能模式转换，提升数据处理与分析的效率。同时，在此过程中需要建立完善的监控信息树，为直观化分析监控信息奠定基础。运用大数据技术，摘要信息的生成可以实现自动化，快速提取其中的关键词，满足信息数据分类管理的需求，利用专业化模型开展广播电视监测工作。在记录相关信息时，应该采用大数据技术与人工方式相结合的形式，保障信息处理精确性和可靠性，防止出现较大的误差。

4.3 数据分析

数据分析是反映监测情况的关键环节，能够满足不同部门的信息反馈需求，同时明确广播电视节目的实际播出情况，防止意外事故的发生。分析监测信息模块是监测监管系统的重要组成，在分析监测数据信息的基础上，能够授权监测信息，为检索操作效率与服务质量的提升奠定保障。在此过程当中，应该明确知识管理技术的应用特点，应对当前海量数据信息的分析需求，保障统计图表和监测报告等格式一致，增强监测的实时性和动态性。为了能够有效分类处理信息数据，还应该在广播电视监测当中合理运用信息导航技术，真正发挥监测报告的功能与价值，满足其导出和打印需求，为不同工作人员提供可靠化服务。为了能够保障数据信息的安全性，在访问过程中还应该进行授权处理，确保用户身份的合法性，调阅并使用健康综合分析报告。在拦截相关违法违规和不良信息时，则需要借助于预警信息，结合监测分析报告内容完善预警信息范围和内容等。在广播电视的监测工作当中，还应该明确监测信息导航树的应用价值，从而深入分析时间的逻辑关系，提升监测监管力度。

4.4 系统设计

采集数据信息、计算故障范围、分析并纠错数据信息、预估节目播出情况等，是监测系统在设计工作当中应该考量的主要功能需求，在系统设计当中融合大数据技术时，可以确保功能需求得到充分满足，优化系统运行质量，促进监测系统的自动化与数字化发展。对广播电视节目的内容信息、链路传输信息和音频文字信息等进行及时采集，运用大数据技术对数据信息之间的内在关系进行分析，从其基本的逻辑关系入手处理数据。与此同时，在系统设计当中还应该通过模型构建，为逻辑实现奠定基础。尤其是在海量信息当中，能够精确查找有价值信息数据，使广播电视节目的播出故障范围和原因等进行查找、定位。

4.5 系统实现与应用

对于广播电视监测系统的运行效果，应该对其进行反复验证，以满足实践工作的工作要求，尤其是对于信道层数据的监测，是当前工作的重点与难点。工作人员应该全面采集信道传输指标，通过对比频谱数据明确其内在逻辑关系，在故障点的分析中以专业化算法为依托。将该系统应用于广播电视监测实践当中，故障的查找和处理都更加可靠，在故障原因的分析中也更具针对性，减少由于多种因素影响而引起的播出事故。

5. 大数据技术在广播电视监测中的应用措施

5.1 人工智能技术

卷积神经网络是人工智能技术的重要组成部分，将其应用于广播电视监测工作当中，是促进系统功能智能化发展的关键。借助人工智能进行卫星信号及节目自动比对工作，比如从卫星发射信号接收广播音频节目后，采用人工智能技术自动翻译把广播节目翻译成文字，然后设定不良信息关键字后，系统自动识别后发现相关不良信息内容就报警，由人工审核后上报管理部门。在机器识图过程中，会合理分割将要识别的图片，同时快速提取图片特征并汇总。在对图片进行识别时，卷积神经网络可以发挥关键作用，被广泛应用于当前广播电视监测当中。对于特征的提取主要在卷积层完成，而对于主要特征的提取则在池化层完成，在汇总图片的特征时依靠全连接层，识别预测通过产生分类器实现。

图像信息存在于图片的像素点当中，为了能够对其基本特征进行提取，在此过程中需要对卷积核进行定义，卷积层的输出结果，是通过卷积核和数字矩阵对应位相乘再相加获得。通过函数的形式随机产生卷积核取值，并对其进行调整增强特征提取效果。卷积层输出时可以确保像素点被全部覆盖，为了能够确定最佳卷积核，还应该与不同卷积核进行相互作用，促进识别特征输出值的提升，增强识别的针对性。匹配程度会随着卷积层输出值的提升而升高，特征体现则越明显。

以卷积层原数据和卷积核相乘后的输出矩阵作为池化层输入，在应用池化层时可以有效控制参数量和特征向量维度。同时，能够增强信息特征提取的有效性，防止噪声传递对其产生的影响。最大池化和均值池化，是当前池化层的两种主要工作模式，前者采用最大数，后者采用平均值。在分类器的生成当中，则需要借助于全连接层，保障最终输出效果，应该有效切割张量后与权重矩阵相乘并与偏置值进行相加处理。在对参数进行优化时，应该采用ReLU激活函数和梯度下降法。

5.2 语音识别技术

在广播电视监测当中还应该采用语音识别技术，通过网络爬虫对爱奇艺等视频网站节目进行抓取搜索，再通过人工智能技术对节目经行智能识别，发现提前设定好的不良视频即刻报警，由人工审核上报。能够实现语音向文字的快速转换，从而通过文本信息识别发现其中存在的违法违规内容，提升监测工作的实效性。语音导航、语音文档检索、语音拨号、听写数据录入等等，是自动语音识别技术的关键。尤其是在当前互联网时代下，广播电视节目音频和视频的数量不断增多，运用语音识别技术能够减轻工作人员的负担，促进监测工作效率的提升，在模式识别、信号处理和人工智能等领域的应用效果较好。语音识别涉及多个学科知识，包括了计算机科学、心理学、语言学和生理学等等，通过机器自动翻译和命令控制等，能够满足监测节目内容与信息的要求，防止出现较大的错误或者不良信息。采样处理语音信号，向特征提取模块完成波形数据的输入，对相关特征进行提取，满足后续使用需求，加快声学模型的构建。在提取声学特征时，应该对其区分特性、鲁棒性和压缩编码等进行控制，增强实际提取效果，保障信息的精确性和全面性。声学模型的建立，也是在广播电视监测中应用语音识别技术的关键，应该对不同语言的基本特点进行综合分析，针对字节、句子和发音特点等对模型进行不断优化。HMM模型在当前实践中的应用较多，包括了初始化、参数重估等各个环节。

5.3 网络爬虫技术

对网络音频app上的音频内容（比如喜马拉雅、蜻蜓FM等）进行监管，先通过网络爬虫技术抓取音频app的节目到本地，之后通过人工智能语义识别技术自动识别转换成文字，再通过设定不良信息关鍵字进行排查，如发现不良内容即报警，由人工最终审核。开源系统的应用，使得网络爬虫技术的开发与应用也更加便捷，为了能够促进技术的不断优化，还应该对广播电视监测工作的基本要求进行分析，增强技术应用针对性。在对软件系统进行描述时，分层架构的应用较多，主要包括了网络连接层、领域处理层、页面提取层和页面采集层四个部分。

传输数据、管理连接和建立TCP SOCKET连接等，是网络连接层的基本功能，在其运行过程中应该支持DNS缓存，能够促进域名转换时间的缩短，满足Web服务器的重新连接需求，监测系统可以对页面的多次抓取。处理URL是页面采集层的基本功能，在抓取顺序的确定中还应该明确搜索策略。尤其是Session机制的应用，能够为动态页面的信息采集提供支持。在处理HTML文本信息时则主要依靠页面提取层，包括了文本信息和超链接等等，确定HTML编码规范，应该以编码方式为依据对文本信息进行解析。在特殊爬虫任务当中，还需要依靠领域处理层的基本功能，包括了DeepWeb爬虫和主题爬虫等等，并在主题建模当中完成处理任务。

6. 结语

在广播电视监测当中，应该加强大数据技术的应用，消除传统技术手段的弊端，从而增强监测可靠性，保障广播电视节目的顺利播出。数据预处理技术、数据存储与管理技术、数据挖掘与智能分析技术等，是大数据技术的基本内容，在对其进行应用时应该掌握数据采集、数据处理和数据分析的要点，提升监测系统的运行效率与质量。结合人工智能技术、语音识别技术和网络爬虫技术等，对系统功能进行优化，适应当前广播电视行业的发展需求。

参考文献

[1]南林玉.探析大数据技术在广播电视监测中的应用[J].数字通信世界，2019（09）：186.

[2]郭帅.大数据技术在广播电视监测中的应用分析[J].通讯世界，2019，26（07）：139-140.

[3]董宝锋.大数据技术在广播电视监测中的实践探析[J].电视技术，2019，43（Z1）：54-55+63.

[4]谢群.大数据技术在广播电视监测中的应用探究[J].通讯世界，2019，26（04）：146-147.

[5]潘斌.大数据技术在广播电视监测中的应用[J].西部广播电视，2019（08）：194-195.

[6]傅铎.广播电视监测中大数据技术的应用研究[J].中国传媒科技，2019（02）：117-119.

[7]杨文婷.浅谈大数据技术在广播电视监测中的应用[J].科技传播，2018，10（23）：61-62.

[8]李鹏.浅析广播电视监测中大数据技术的应用[J].电脑迷，2018（12）：148.

[9]刘晓.大数据技术在广播电视监测中的应用方法[J].数字通信世界，2018（10）：184.