中文VOCALOID数据学概述
中文VOCALOID数据学概述（B站专栏版）
景育
图片版：（B站动态）https://t.bilibili.com/283032542310071636
一、基本概念
1.投稿的几个参量
在哔哩哔哩弹幕视频网（下简称“B站”）的投稿，往往有着若干参量。如果把一个投稿当做一个“对象”，那么它将拥有着诸多“属性”。
对于一个投稿，它的判别身份性质的属性是“视频编号”，俗称“AV号”，一般记作Aid，这一个参量是判别身份的决定性参量。Aid可以和唯一一个投稿对应，任意一个投稿也只有唯一的一个Aid。
这里有两个注意点，其一，不是所有的Aid都对应着投稿，有些投稿被删除后，那个Aid不再对应如何投稿；其二，不是Aid对应视频，因为一个投稿中可以有多个视频，俗称“多P投稿”。
但是，在中文VOCALOID的语境下，绝大多数投稿都对应着唯一一个视频，因此可以近似地认为所有的投稿都只对应着一个视频。在这种近似下，Aid、投稿、视频都是一一对应的。
视频的上传者，俗称“UP主”，一般记作User、Uploader、Owner等等，指的是上传视频的用户。如果把某个给定的UP主当做一个对象，他会有着“用户编号（Mid）”、“名称（Name）”、“头像（Face）”等诸多属性。
自今年起，B站开通了联合投稿的功能，一般地，我们把排在首位的上传者作为视频的上传者，而忽略其他上传者。
视频还有以下常见的属性：
封面（Pic）、标题（Title）、上传时间（Pubdate）……
以上属性，除上传者自行修改之外，一般不发生变化。出此之外，还有一些随时间变化的参量，这些也是大家关注的焦点：
播放量（View）、弹幕量（Danmaku）、评论量（Reply）、收藏量（Favorite）、硬币量（Coin）、分享量（Share）、得赞量（Like）……
这些参量作为属性，构成了一个视频的数据。
例：在2019年8月1日23:57，某视频的部分数据如下：
"aid":6009789
"tid":30
"tname":"VOCALOID·UTAU"
"title":"【乐正绫原创】世末歌者【PV付/COSMOSⅡ】"
"pubdate":1472134541
"name":"COPY"
"view":1614127
"danmaku":54884
"reply":99434
"favorite":115807
"coin":86757
"share":14513
"like":27850
2.投稿参量的作用
2.1 殿堂、传说的判断标准
Vocaloid中文殿堂曲是对播放量(再生数)超过十万的，由中文演唱的Vocaloid作品的荣誉称呼[1]。由此可见“殿堂”的判定标准和播放量参量直接挂钩。类似地，“传说”、“神话”等判断标准也是直接取决于播放量。
2.2 周刊VOCALOID中文排行榜的评分标准
依据现行的周刊VOCALOID中文排行榜收录标准，周刊中某一给定投稿的得分，和播放量、评论量、弹幕量、收藏量有关[2]，是一个分段的多项分式函数。
2.3 B站热度评分
在去年年底，有B站科技区UP主通过“机器学习”的方法，给出了B站热度评分的拟合公式，他认为得分和硬币量、收藏量、点赞量、播放量、弹幕量、评论量、分享量、好评（点赞量）、差评（点踩量）有着线性关系[3]。
若将这些变量表示为x[n]，其系数为a[n]，最终的得分为y，那么其公式为：
（B站专栏没有公式编辑器，若想看规范的公式，请在我的动态看图片版。）
在今年四月初，B站的源代码泄露，有网友发现了相应的算法，确实是这样的线性关系。
2.4 UP主的收益
观众给UP主每投1个硬币，UP主将会受到0.1个硬币，并且增长1经验。另外，参加“创作激励计划”的UP主也会根据这些参量而收益。在音乐区试点的联合投稿等功能，需要UP主的各类评分，归根结底也是与UP主投稿视频的参量有关。
3.投稿几个参量之间的关系
对于大多数视频，只有播放量、收藏量等参量是随时间变化的，可以称作“动态参量”，其余的参量可以假定不变，称作“静态参量”。
依据tombus的经验和笔者规模不大的实验，播放量这一动态参量约每75秒刷新一次，而收藏量等实时刷新。据称播放量的刷新周期并不是一个常量，在一天中的不同时间不尽相同。
一般来说，这些参量有如下关系：
①播放量总是比收藏量大一个数量级；
②收藏量、硬币量总是在一个数量级；
这是长期以来的经验规律，对于大多数投稿试用，但是对于刚投稿不久的作品并不适用。在数年前，有的投稿在审核结束前可以有正的收藏量，而播放量是0，这一现象不知道现在还是否存在。除此之外，播放量、评论量不会饱和，而收藏量、硬币量会随时间而饱和，到了后期，几乎不再增长。
4.其它基本概念
有时我们会提起这些名词，这里仅作简要科普，不深入探讨。
对于一个统计表，我们把一行叫做一条“记录”，一个记录由若干“字段”组成。
有很多变量是随时间变化的，我们把时间分为若干段，通常用年、月、日作为分割的长度。我们把首个时间段称作“基期”。而我们把当前研究的时间段成为“报告期”。
例：某化工厂将2018年1月当做基期，在2018年1月生产产品6000吨。之后的月产量可以和基期进行比较，例如在2019年7月生产产品9250吨，我们可以说2019年7月是报告期。将报告期与基期相比较，可以得出“定基比增长54.2%”的结论。
将报告期与基期相比，这种方法在中文VOCALOID范畴内用的不多。
除了与基期相比较，我们还可以与上一个报告期进行比较，这称作“环比”。
例：某化工厂在2019年6月生产产品9010吨，7月生产9250吨，两相比较，环比增长2.7%。
年有春夏秋冬，万事万物周而复始，很多事情有着鲜明的时间周期，与上一个时间周期的报告期进行比较，这称作“同比”。
例：某化工厂在2018年7月生产产品7550吨，今年7月生产产品9250吨，两相比较，同比增长22.5%。
在中文VOCALOID范畴内，Seattle的洛天依、MilkBoy表格中的rate指环比增长率，环比在我圈内使用得最多。在周刊中，有人用今年的得分对比去年同期的得分，则是在同比。
二、数据的采集
1.直接法
直接法，指的是直接在B站投稿的网页，或移动端APP的相应页面，直接读出各项数据。当播放量、收藏量等数目接近一万时，B站会调整计数单位为“万”，而不是显示精确的整数。B站通过四舍五入至千位，缩短了数据看上去的长度，但是影响数据的精确性。
直接法会导致“伪殿堂”、“伪传说”，譬如某投稿的播放量为99528，显然不足十万，但是直接显示出来的是10.0万，看上去仿佛达成了“殿堂”。有时，观众们就会急于在评论区和弹幕中庆祝了。
伪殿堂、伪传说发生在距离目标播放量500以内的投稿上。这也说明了直接法的不精确性。
2.API法
B站官方提供了一些应用程序编程接口（Application Programming Interface，API），这些API通常使用JavaScript对象简谱（JavaScript Object Notation，JSON）格式表达。
例：以常用的一个API为例，其地址为“https://api.bilibili.com/x/article/archives”，我们填写参数“ids”为3905462，得到如下信息：
{"code":0,"message":"0","ttl":1,"data":{"3905462":{"aid":3905462,"videos":1,"tid":30,"tname":"VOCALOID·UTAU","copyright":1,"pic":"https://b1.sanwen.net/b_archive/37901b40efbed68c5bd9fd054b76ede6900fd8bf.jpg","title":"【2016拜年祭单品】九九八十一【乐正绫 feat.洛天依】","pubdate":1456070400,"ctime":1497425218,"desc":"作曲：烏龜Sui | 作詞：邪叫教主 | 字體 文案：St | 吉他：康師傅の海鮮麵 | 打擊樂：司鼓君 | 笛子：O天氣晴朗O | 琵琶：東北餡餃子 | 調校：納蘭尋風 | 混音：小新 Xin-Kun | 人設：酥妃 | 曲繪：骸鴉 酥妃 INxico | PV：墨蘭花語 | 人声本家：西瓜kune AV3919827\r\n\r\n在猴年为大家献上以孙悟空为主角的原创歌曲，希望大家在猴年猴开心猴年满意，新年快乐~","state":0,"attribute":32768,"duration":285,"rights":{"bp":0,"elec":0,"download":0,"movie":0,"pay":0,"hd5":0,"no_reprint":0,"autoplay":1,"ugc_pay":0,"is_cooperation":0,"ugc_pay_preview":0},"owner":{"mid":890489,"name":"没有龟壳的乌龟","face":"https://b1.sanwen.net/b_face/0f4916a5b49729df6b6e17a4e1fbd392d6759045.jpg"},"stat":{"aid":3905462,"view":7532563,"danmaku":176143,"reply":74760,"favorite":418286,"coin":252317,"share":70514,"now_rank":0,"his_rank":2,"like":61132,"dislike":0},"dynamic":"","cid":6319180,"dimension":{"width":0,"height":0,"rotate":0}}}}
我们可以清楚地看到诸如view、danmaku、reply、favorite等变量的信息。通过一些计算机的方法，可以将JSON格式的数据转化为其它格式的数据，从而便于我们进行研究和分析。
3.HTML法
我们的网页一般是由超文本标记语言（Hyper Text Markup Language，HTML）来表达。HTML由各种标签和元素构成。
我们以B站搜索“洛天依”三个字所得的网页为例，其HTML节选如下：
<div class="watch-later-trigger watch-later"></div></a><div><a href="//www.bilibili.com/video/av58824435?from=search&;amp;seid=1718666425188443635" target="_blank">【洛天依原创曲】Starlight</a><span>2019-07-12</span></div></div><a href="//space.bilibili.com/36081646/video"; target="_blank">全部34个稿件></a></div></div></li></ul>
我们并没有必要看懂HTML中的每一个元素，只需要通过程序提取出我们想要的信息就行了。因为B站公开了API，所以HTML法显得笨拙。但是在半次元、知乎等平台进行数据搜集，HTML法就显得尤为重要。
有些网页源代码是JavaScript动态生成的，这里不作介绍。
三、数据的分析
1.思路的转变
正如汽车上，最大的仪表是汽车的行驶速度，而不是行驶里程，我们要把不方便研究的播放量、收藏量，转化为方便研究的播放量增速、收藏量增速。
这一思路的转变有如下优势：
①播放量、收藏量增速决定了播放量、收藏量；
②它们具有鲜明的周期性；
③它们更直观地反映了投稿的热度。
一个投稿是否火热，有时并不是直接取决于播放量，而是播放量的增速。正如一个公司是否运营状态良好，有时并不取决于它的钱财，而是它每天赚多少钱。
下面以雨狸的《黑羊少女》为例，比较播放量和播放量增速：
图1可以看出一个扭捏的递增曲线，起初斜率大，后来斜率小。图2则更为直观，可以看到一个周期性的波动和一个递减的趋势。图2的规律是我们建模的基础。
2.使用图表
数据可视化是一种常见的表达方法，具象化的图像比抽象的数字更为直观。在小学阶段我们就接触了三种常见的图表，即条形图、折线图、饼图。这三种图表在各个领域都非常常见，不外乎中文VOCALOID。
除此之外，散点图也是常用的图表。选取两个变量作为横轴和纵轴，将一个个数据点描在平面直角坐标系中，得到一组散点，从而观察潜在的规律。
事实上我们不必要标注每首歌的歌名。我们可以看出选出的样本，在横轴为播放量、纵轴为收藏量的坐标系中，这些数据点构成了一条长长的“带”。
在其它学科中经常有类似地研究方法，比如将同一个电阻的电压和电流作为横轴、纵轴，可以观察到一条直线——由于欧姆定律，那是严格正比例的。将中国城市的市区人口和建成区面积画在坐标系中，会得到一个狭长的“带”。城市人口越多，建筑物自然越多，但是这并不是严格的正比，只是大致的趋势。
正如中文VOCALOID歌曲，播放量越高收藏量理所当然越高，但是绝无严格的正比关系，只是大致趋势。
在天文学上，将恒星的亮度（绝对星等）和恒星表面温度画在坐标系中，得到了一条条狭长的带。这样的图称作“赫罗图”。其中有一条明显的，从左上角到右下角的带，便是主序星带。我想，这种研究方法在中文VOCALOID领域是适用的。
四、几个基本规律
1.日内不均匀性
由于人的作息安排，在一日之中各个时间点，能够观看中文VOCALOID投稿的人在数目上是不同的。粗糙地描述为下午、晚上人多，后半夜人少。这一个特性叫做“日内不均匀性”。
譬如某投稿在一日之内播放量增长2400，并不意味着它在这一日中每个小时都增长了100，它很有可能在后半夜几乎不涨，在晚餐后每小时增长两三百。
日内不均匀性可以用一个表来近似地描述，也可以用级数来描述。值得注意的是，在平日、周末、寒暑假，日内不均匀性的分布是不同的。这是因为中文VOCALOID的主体观众是学生。
在平日，我们可以看到明显的三个高峰，分别是早餐、午餐后、晚餐后，这三个峰一个比一个高，一个比一个宽。在周末。午高峰和晚高峰融为一体，从午饭后一直到睡眠前，形成了一个“高原”。
日内的不均匀性和整个B站的在线人数相吻合。
日内不均匀性主要有两个应用：
①有些数据研究者，在根据日内不均匀性分析中文VOCALOID观众的年龄/学历分布情况。
②可以有效地判别非正常的播放量、收藏量。
例：在今年三月前后，纯白《中华铄金娘》的播放量增速在一日之内的分布与规律不符。表现为分布曲线向上平移。经理论计算，《中华铄金娘》被均匀速率地刷取播放量。后来，数据异常停止，播放量增速恢复正常。作差结果表示，真实的刷取速率和计算得到的刷取速度相符。
2.周内不均匀性（周末效应）
与日内不均匀性相同，周内也具有不均匀的流量。粗糙地描述为周六、周日多，周一到周四少，周五介于二者之间。其经验规律是周末播放量增速往往是平日的两倍。
上文举的《中华铄金娘》在非正常时期同样违背了周内不均匀性的规律。
周内不均匀性有以下应用：
①可以辅助判别非正常的播放量、收藏量；
②有助于更好地预估达成“传说”、“殿堂”的时间。
3.过零点效应
一个投稿的播放量增速，在过零点后，会有一个不高的峰值。这是因为B站的播放量机制，一日之内同一个用户只能贡献有限的播放量。当过零点后，进入了新的一天，正在观看的观众可以提供新的播放量。
过零点效应证明了B站播放量的计量机制。有网友说，每个观众，每六个小时可以贡献一个播放量。但是现在没有十足的证据阐明有“过6点效应”“过12点效应”“过18点效应”。
4.成就效应
在一个投稿达成“殿堂”、“传说”之后，它的播放量会比达成成就之前增长得更快。这称作“成就效应”。
这是因为在达成成就后，会有大量的网友，包括一些流量较大的站子、数据统计者、UP主，转发这个投稿。这个效应在《普通DISCO》达成八百万播放量时被发现并记录。在《星愿StarWish》达成“传说”时被定量地表述[4]。
五、数据模型思路
1.本征模型
把研究对象的特性分为“本征”和“应激”是各学科常见的方法。在某些学科，称为“禀性”、“非禀性”。
譬如某金属导线，其本身“生而具有”一定的电阻，称为禀性电阻，现在将其扭曲、拉伸、捶打，它的电阻会增加，多出来的电阻可以称作非禀性电阻。再如某人“生而具有”一定的力气，可以成为本征力量，在紧急情况下，他可能可以表现出更大的力气，可以将多出来的力气称为应激力量。又如某纯液体在常压下，其沸点是80℃，可以称为本征沸点，现将少量电解质溶入其中，其沸点升高至82℃，多出来的2℃，可以叫做应激沸点。
本征与应激的关系，是对象与环境的关系，是内因与外因的关系，是决定性和影响性的关系。
投稿的播放量可以分为本征播放量和应激播放量。所谓本征播放量，指的是该稿件不受任何外界影响时，其自然而然、生而具有的播放量。根据时间序列模型的方法，我们认为播放量增速Y由三部分相乘，这三部分是总趋势T、周期性变化S、噪声I[5]。
“VC经济学”的负责人清风炊烟对噪声I为何是乘上去表示质疑。笔者认为，很显然诸如《普通DISCO》、《九九八十一》这样的歌曲播放量噪声大，而小众投稿噪声小，也就是噪声和总体的流量是有正相关的。因而笔者更推崇乘法模型。
参见前文的图2，我们看出《黑羊少女》的播放量是一个单调递减的函数和一个周期性函数相乘的结果，自然，还要乘上噪声。这个单调递减的函数便是总趋势T，而这个周期性函数则是S。
总趋势T的性质：总趋势是严格单调递减的、是恒非零的。在今年四五月笔者与一位应用数学系的好友，交流过这个问题。在此之前，关于T主要有两个猜测的模型。
①反比例模型，认为总趋势与时间成反比：
如果使用反比例模型，可以得出播放量是对数模型。这个模型在去年暑期，暗伴星告知我。反比例模型的导数与自身的二次方成正比。
②指数模型，认为总趋势和时间有指数关系：
2.外界刺激的影响
外界刺激的主要形式有：转发、上首页、推送、翻唱等等。以最常见的转发为例，其特点是①响应时间短，通常只有5分钟左右；②制造较大的流量；③消散迅速。
因而对于转发峰，笔者更倾向于指数模型。转发制造的流量比较大，笔者观察到排骨教主翻唱《再一杯！》制造的应激流量，没有转发《再一杯！》制造的流量大。
应激的播放量、收藏量截至目前为止，研究的程度还很浅，许多内容未了解清楚，值得进一步挖掘。
参考资料
[1] 萌娘百科词条“VOCALOID中文殿堂曲”. zh.moegirl.org/Vocaloid中文殿堂曲
[2] 非洲のGUMI酱. 周刊VOCALOID中文排行榜♪362. www.bilibili.com/video/av59341404
[3] 胖丁家的林亦. 揭密点赞投币收藏重要性顺序. www.bilibili.com/video/av38637671/
[4] 景育. 《星愿StarWish》在传说之后增速更快. h.bilibili.com/23061087
[5] 王宝海, 王坚. 统计学原理[M]. 北京:中国人民大学出版社. 2016
