德塔文景气指数基于全网公开舆论场真实观剧行为痕迹，通过语义识别、反刷量过滤、三维关联建模，结合浏览度、讨论度、口碑指数、搜索热度、媒体曝光反馈度五大指标及动态加权、角色拆解、反作弊校准三层逻辑生成。
德塔文数据统计不是靠人工抽样或平台后台接口，而是基于全网公开舆论场中真实发生的观剧行为痕迹，用算法自动抓取、清洗、加权生成景气指数。它不依赖剧方报备、平台授权或付费埋点，所有原始数据来自微博、豆瓣、知乎、小红书、B站弹幕与评论区、新闻客户端评论、搜索引擎词频等可验证的公开渠道。
原始数据采集方式
第一步：部署语义识别引擎，对全网中文文本进行实时扫描，关键词不限于剧名、角色名、演员名、台词片段、表情包热词、话题标签（如#墨雨云间结局#）、截图描述性文字（如“沈玠指尖发抖那段”）。
第二步：过滤机器刷量行为——系统自动识别同一IP段高频重复发帖、短时间集中发布相同文案、无上下文纯符号堆砌等内容，【这些数据会被直接剔除，不参与任何加权计算】。
第三步：将有效文本映射到具体剧集实体，建立“行为-剧集-维度”三维关联表。例如一条微博“《月鳞绮纪》露芜衣哭戏封神”同时计入：讨论度（1次）、口碑指数（正向情感）、角色贡献度（露芜衣占比提升）、媒体曝光反馈度（若该微博被主流娱乐号转发则额外加权）。
五大核心指标定义与统计口径
网络浏览度：统计全网各平台中，用户主动点击、展开、长停留于该剧相关内容页的行为次数。不含平台首页轮播图自动曝光、信息流被动推送点击，仅计用户明确意图触发的访问。
讨论度：以自然语言处理识别出的“有效讨论句”为单位，一句含剧名/角色/情节且长度≥8字、非广告文案、非纯表情包的文本计为1次。例如“《危险关系》陈屿最后没回头”算1次，“好看！”不算，“#危险关系#”单独发帖也不算。
口碑指数：采用情感极性分析模型，对每条有效讨论文本打分（-5～+5），再按剧集聚合平均值。模型经人工标注10万条影视评论训练，能区分反讽（如“这编剧真是绝了”在上下文否定时判为负分）与真夸赞。
搜索热度：接入百度、微信搜一搜、抖音搜索等主流入口的脱敏关键词检索频次，仅统计带剧名或主创名的完整搜索词，排除模糊词（如“最近火的古装剧”）和拼写错误词（如“墨雨云肩”）。
将针对 Pi、Claude Code、Codex、OpenCode、Gemini CLI 或 ACP harness 的自然语言请求路由至 OpenClaw ACP 运行时会话，或直接路由至 acpx-...
媒体曝光反馈度：监测主流媒体（含央媒、省级卫视官微、头部娱乐垂直媒体）发布的含该剧的原创报道、剧评、专访、海报图文中，用户互动数据（转发/评论/点赞）加权值，而非单纯发稿数量。一篇零互动的通稿不产生分值。
权重分配逻辑
方法一：动态均衡加权
大众讨论热度 × 0.35 + 媒体深度报道权重 × 0.25 + 口碑情感均值 × 0.20 + 搜索主动行为 × 0.12 + 浏览深度停留 × 0.08
注意：各维度权重每季度由德塔文算法委员会复核调整，2026年Q2起将“媒体曝光反馈度”权重从0.22下调至0.25，因观察到自媒体深度剧评影响力持续增强，而通稿式宣传效果衰减明显。
方法二：角色贡献度拆解
单部剧总景气指数 = Σ（角色i景气值 × 角色i贡献系数）；其中角色i贡献系数 = 该角色相关有效讨论句数 ÷ 全剧总有效讨论句数，上限封顶0.45——防止配角爆火拉高整剧虚高指数，如《白日提灯》贺思慕单角色贡献达43.7%，但系统强制截断至0.45。
方法三：反作弊校准层
所有原始得分需通过三层校验：① 时间衰减函数（7天内行为权重100%，15天后线性降至30%）；② 平台可信度系数（B站评论权重1.0，某短视频平台低质跟评池权重0.3）；③ 行为链验证（仅发帖无互动、无浏览路径的孤立行为视为可疑，降权50%）。
