論文の概要: Analyzing movies to predict their commercial viability for producers
- arxiv url: http://arxiv.org/abs/2101.01697v1
- Date: Tue, 5 Jan 2021 18:42:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 13:28:22.331508
- Title: Analyzing movies to predict their commercial viability for producers
- Title(参考訳): プロデューサーの商業性予測のための映画分析
- Authors: Devendra Swami, Yash Phogat, Aadiraj Batlaw, Ashwin Goyal
- Abstract要約: 我々は、今後のフィルムのリターンを予測できるモデルを開発する。
このモデルの将来的な応用は、映画業界で見られ、プロダクション企業は彼らのプロジェクトの期待するリターンをより正確に予測できる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Upon film premiere, a major form of speculation concerns the relative success
of the film. This relativity is in particular regards to the film's original
budget, as many a time have big-budget blockbusters been met with exceptional
success as met with abject failure. So how does one predict the success of an
upcoming film? In this paper, we explored a vast array of film data in an
attempt to develop a model that could predict the expected return of an
upcoming film. The approach to this development is as follows: First, we began
with the MovieLens dataset having common movie attributes along with genome
tags per each film. Genome tags give insight into what particular
characteristics of the film are most salient. We then included additional
features regarding film content, cast/crew, audience perception, budget, and
earnings from TMDB, IMDB, and Metacritic websites. Next, we performed
exploratory data analysis and engineered a wide range of new features capturing
historical information for the available features. Thereafter, we used singular
value decomposition (SVD) for dimensionality reduction of the high dimensional
features (ex. genome tags). Finally, we built a Random Forest Classifier and
performed hyper-parameter tuning to optimize for model accuracy. A future
application of our model could be seen in the film industry, allowing
production companies to better predict the expected return of their projects
based on their envisioned outline for their production procedure, thereby
allowing them to revise their plan in an attempt to achieve optimal returns.
- Abstract(参考訳): 映画が上映されると、大きな憶測が映画の相対的な成功を懸念している。
この相対性理論は、しばしば大予算のブロックバスターが断続的な失敗で例外的な成功を収めたために、映画の当初の予算に関して特に重要である。
では、今後の映画の成功をどうやって予測するのか?
本稿では,今後のフィルムの返却を予測できるモデルを開発するために,膨大なフィルムデータについて検討した。
まず、各フィルムごとにゲノムタグとともに、共通の映画属性を持つmovielensデータセットから始めました。
ゲノムタグは、フィルムのどの特性が最も有意義であるかを洞察する。
その後、映画コンテンツ、キャスト/クリュー、オーディエンス知覚、予算、tmdb、imdb、metacritic webサイトからの収益に関する追加機能を加えました。
次に探索的データ分析を行い,利用可能な特徴の履歴情報を収集する幅広い新機能を考案した。
その後, 特異値分解(SVD)を用いて高次元特徴の次元的縮小を行った。
ゲノムタグ)。
最後に,ランダムフォレスト分類器を構築し,モデル精度を最適化するためにハイパーパラメータチューニングを行った。
本モデルの将来の応用は、映画業界で見ることができ、プロダクション企業は、想定された生産手順の概要に基づいて、期待されたプロジェクトリターンをより良い予測が可能となり、最適なリターンを達成するために計画の修正が可能となる。
関連論文リスト
- SEINE: Short-to-Long Video Diffusion Model for Generative Transition and
Prediction [93.26613503521664]
本稿では、生成遷移と予測に焦点をあてた、短時間から長期のビデオ拡散モデルSEINEを提案する。
テキスト記述に基づく遷移を自動的に生成するランダムマスクビデオ拡散モデルを提案する。
我々のモデルは、コヒーレンスと視覚的品質を保証するトランジションビデオを生成する。
論文 参考訳(メタデータ) (2023-10-31T17:58:17Z) - WE model: A Machine Learning Model Based on Data-Driven Movie
Derivatives Market Prediction [12.410848737065438]
本稿では,機械学習技術に基づく高精度映画マーチャンジ予測モデルWEモデルを提案する。
マーチャンダイスの市場における予測と評価の精度は72.5%に達し、市場コントロール効果が強い。
論文 参考訳(メタデータ) (2022-07-06T03:47:15Z) - A Comprehensive Study on Various Statistical Techniques for Prediction
of Movie Success [0.0]
映画の成功率を予測するために,さまざまな機械学習モデルを比較した。
これらのモデルの有効性とそれらの統計的意義について検討し、どのモデルが最良の予測因子であるかを結論付ける。
論文 参考訳(メタデータ) (2021-12-01T10:28:44Z) - From Single to Multiple: Leveraging Multi-level Prediction Spaces for
Video Forecasting [37.322499502542556]
マルチプレディション空間で映像予測を行うための戦略を多数検討し,その結果を融合させて性能向上を図る。
本モデルでは, 難解な歪みやぼやけたアーチファクトを著しく低減し, 長期ビデオ予測における精度を著しく向上することを示す。
論文 参考訳(メタデータ) (2021-07-21T13:23:16Z) - VAE^2: Preventing Posterior Collapse of Variational Video Predictions in
the Wild [131.58069944312248]
本稿では,VAE-in-VAEまたはVAE$2の新規なVAE構造を提案する。
我々は、観察されたビデオシーケンスの一部を、その過去と未来を橋渡しするランダムな遷移状態として扱い、あらゆる可能な遷移状態の下で、ビデオシーケンス上のマルコフ連鎖の可能性を最大化する。
VAE$2$は、未来と観測の間の直接的な依存を断ち切るため、後方崩壊問題を広範囲に緩和することができ、トレーニングデータによって提供される決定的な未来を直接遅らせることはない。
論文 参考訳(メタデータ) (2021-01-28T15:06:08Z) - Movie Summarization via Sparse Graph Construction [65.16768855902268]
マルチモーダル情報を用いて構築された,シーン間の関係を表すスパースなムービーグラフを構築することで,TPシーンを識別するモデルを提案する。
人間の判断によれば、我々のアプローチによって作成された要約は、シーケンスベースモデルや汎用的な要約アルゴリズムの出力よりも、より情報的で完全であり、より高い評価を受けている。
論文 参考訳(メタデータ) (2020-12-14T13:54:34Z) - What is More Likely to Happen Next? Video-and-Language Future Event
Prediction [111.93601253692165]
対話が整ったビデオの場合、人々は次に何が起こるかを見極めることができる。
本研究では,AIモデルがこのようなマルチモーダル・コモンセンスの次世代予測を学べるかどうかを考察する。
新しいデータセットであるVideo-and-Language Event Prediction(ビデオ・アンド・ランゲージ・イベント予測)を収集します。
論文 参考訳(メタデータ) (2020-10-15T19:56:47Z) - Learning Trailer Moments in Full-Length Movies [49.74693903050302]
我々は、正式に公開された予告編を弱い監督力として活用し、フル長の映画から重要な瞬間を検知できるモデルを学ぶ。
本稿では,映画とトレーラーのコ・アテンションを利用してトレーニングペアを生成する新しいランキングネットワークを提案する。
我々は,最初の映画トレーラデータセットを構築し,提案するコ・アテンション支援ランキングネットワークは,教師付きアプローチよりも優れた性能を示す。
論文 参考訳(メタデータ) (2020-08-19T15:23:25Z) - IMDb data from Two Generations, from 1979 to 2019; Part one, Dataset
Introduction and Preliminary Analysis [0.0]
ユーザ規制の「IMDb」と最も注目されているポータルは、巨大なデータベースを作成する機会を提供している。
評価データ、ジャンル、キャスト・アンド・クルー、MPAA格付け証明書、親子ガイドの詳細、関連映画情報、ポスター等、IMDbに提供される様々な情報で構成されており、これは現在までに最大のデータセットである79kタイトルである。
論文 参考訳(メタデータ) (2020-05-28T17:01:06Z) - Screenplay Quality Assessment: Can We Predict Who Gets Nominated? [53.9153892362629]
本稿では,言語的手がかりに基づく脚本の品質評価手法を提案する。
産業の意見やナラトロジーに基づいて、ドメイン固有の特徴を共通分類技法に抽出し、統合する。
論文 参考訳(メタデータ) (2020-05-13T02:39:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。