社交网络的电视媒体影响力分析，是对互联网中的各类电视媒体相关数据，通过搜索引擎技术进行获取。从互联网的各类主流信息源中进行数据采集，信息源包括：传统门户网站如新浪、搜狐等；视频网站如优酷、爱奇异等；论坛如天涯社区、宽带山社区等；微博如新浪微博、腾讯微博等；评论性网站如大众点评网等。社交网络搜索引擎完成从以上媒体中采集用户发布的言论，并提取言论中有价值的信息（如言论，转发，评论，发布者信息、发布时间、发布终端、访问量、发布者注册地、性别、年龄、爱好等），同时对广告以及无关信息进行过滤。采集到的数据被搜索引擎保存在分布式非结构化数据库中，该数据库同时提供数据的容灾、高可用性及各种备份手段。管理员能够通过可视化工具对搜索引擎进行管理与配置；对言论进行审核；也可从数据库中查询各类原始的言论信息。

智能分析模型能够实现汉语进行自然语言处理；文本的情感色彩分析，文本自动分类及聚类，文本垃圾过滤。重点实现分析算法以及各类模型。这些算法及模型包括：

文本垃圾过滤，能够将与节目无关的言论进行过滤通过自然语义处理技术，分析目标品牌在句子中的成分以及其相应的修饰成分，并结合多种语义消歧技术，能够准确判断出一条数据是否与目标品牌相关。同时，为了避免有可能的错误，还会由专业的自然语言处理团队定时对数据进行抽查，通过人工标注后再由机器进行自动学习，不断完善语义分析与歧义消除模型，保证了基础数据的可靠性。同时按照不同特征进行分类、聚类处理将进一步提升数据分析的精准度，降低异质数据对数据分析产生的不良影响。

文本挖掘模型包含文本分类、文本聚类、热点发现。例如，文本分类能够将言论分为营销类，节目预告类，用户评论类等；文本聚类及热点发现，能够发现一档访谈类节目中最有反响的嘉宾或主持人。

机器学习模型包含最大熵、神经元网络、决策树、向量空间在内的多种经典及优化的机器学习算法。

汉语分词模型实现将汉语的句子切成以词为元素的最小单元。

汉语歧义消除模型实现汉语歧义的消除。

汉语情感色彩分析分析文本表达的各类情感，这个情感不仅是正负面，更包含了粗鲁/礼貌，严肃/愉快的，冷静/激动等等。

统计模型建立在智能分析模型之上，根据智能分析模型量化得出的结论，运用统计学的方法进行处理。这些模型包括：

影响力统计模型通过对搜索引擎采集来并经过智能分析模型量化的各类参数进行加权计算，得出节目的影响力；

广告价值统计模型同样采用数据分析挖掘的方式对电视媒体广告的价值进行评估；

情感统计通过智能分析模型对参与电视媒体受众表达的情感进行量化，对其表达的情感进行统计。

受众统计对参与电视媒体讨论的受众的性别，爱好，区域，年龄，发布言论使用的终端等用户信息进行统计；

僵尸用户统计通过分析参与电视媒体讨论的用户行为，判断该用户是正常用户还是僵尸用户。

信息分类统计通过分析用户对电视节目发表的言论，将言论归为用户评论，用户投诉，节目预告，营销互动等类别。

信息聚类统计通过聚类算法，归并内容相似及主题接近的言论，避免大量重复信息。

热点发现通过分析用户对电视节目发表的言论，发现其中的热点，如用户关注的是节目主持人、嘉宾、话题、节目形式、舞台效果等。

趋势/传播统计对节目在社交网络中的影响力趋势进行分析；对用户言论或营销信息的传播路径进行分析。

定制电视媒体数据挖掘工具将帮助用户对电视媒体影响力进行深入分析。搜索引擎采集来的用户言论,经过智能分析模型量化后，产生了大量的基础数据，这些数据从维度上来划分的结果如下：

传播维度包括节目影响力、广告价值、节目传播度，节目支持度等；

用户维度包括受众参与度，受众忠诚度，受众性别，受众爱好，受众区域，受众使用的终端等；

时间维度按月，日，小时等指标；

从数据挖掘的角度来看，所有维度的数据都能通过在其它维度上扩展的方式进行深入分析。基于社交网络的对电视媒体影响进行分析的专业数据挖掘工具，能够有效的帮助用户方便的对各不同节目的不同参数进行分析对比，为咨询报告的生成提供工具支持。

咨询报告借助于专业数据挖掘工具，行业专家能够从图表中发觉异常的数据波动，如节目在某个时间段的影响力出现激增或下跌，进而从工具中对用户发布的言论进行各类统计，发现异常发生的原因，得出有价值的分析结论。

每日统计报告每日生成各节目的统计报告，展示节目的各项基础影响力与受众数据。

社交网络官方/公共帐号通过社交网络官方/公共帐号，对外发布权威的节目影响力数据；

发布门户通过网页对外发布权威的节目影响力数据；

移动APP通过APP对外发布权威的节目影响力数据。