进入21世纪以来,神经网络、情感分析等在电影票房预测上的广泛应用,使得电影票房预测的准确性逐年提高。由于电影制作的复杂与不确定性,未来电影票房预测的发展趋势需要吸纳更多数据,采取更贴合的模型跟踪预测。现有的基于产品的神经网络算法(PNN)模型在票房预测取得了不错的效果,但仍然有一些不足。本文针对性地提出了三种改进的模型架构。在特征工程阶段,PNN模型将所有特征按领域划分,领域间特征通过两两交叉映射到同一向量空间。这忽略了每个领域中特征表达的一致性,本文提出以组为单位的产品神经网络算法(GPNN)模型引入分组进入嵌入层(GSE)的概念,进行特征组划分时,对组内所有特征考虑表达的一致性和差异性。另外在GPNN特征工程基础上,强化对票房预测影响较大的一些交叉连续特征,作为有连续特征的以组为单位的产品神经网络算法(CGPNN)。在特征交叉阶段,GPNN、CGPNN模型均采用外积算子实现特征交叉,将特征映射到高维向量空间内,全面地学习出特征的深层表达,然而在数据不足的情况下模型难以收敛。针对这两种网络结构的特性,本文提出了基于探测的有连续特征的以组为单位的产品神经网络算法(Probe-based CGPNN)模型,用内积算子完成特征交叉,在保证预测效果不明显下降的前提下,合理地降低时空复杂度。基于上述的三种改进模型,借鉴现有票房预测系统的结构,本文设计与实现了基于社交网络分析的电影票房预测系统,将整个系统划分为网络爬虫子模块、数据存储模块、文本情感分析子模块、特征组合子模块、电影票房预测子模块、数据前端展示模块等六个主要功能模块,并详细阐述了其内部实现细节。