論文の概要: Unveiling the Hidden: Movie Genre and User Bias in Spoiler Detection
- arxiv url: http://arxiv.org/abs/2504.17834v2
- Date: Mon, 28 Apr 2025 07:44:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.536185
- Title: Unveiling the Hidden: Movie Genre and User Bias in Spoiler Detection
- Title（参考訳）: スポイラー検出で映画のジェネレータとユーザーバイアスを発見
- Authors: Haokai Zhang, Shengtao Zhang, Zijian Cai, Heng Wang, Ruixuan Zhu, Zinan Zeng, Minnan Luo,
- Abstract要約: 既存のスポイラー検出手法は主にレビューテキストを分析し、映画ジャンルやユーザーバイアスの影響を見落としていることが多い。
ジャンル固有のデータとユーザの行動バイアスを組み込んだ新しいスポイラー検出フレームワークであるGUSDを導入する。
GUSDは現状の成果を達成し、映画レビュープラットフォームにおけるユーザエクスペリエンスを向上させる。
- 参考スコア（独自算出の注目度）: 13.064627822376767
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spoilers in movie reviews are important on platforms like IMDb and Rotten Tomatoes, offering benefits and drawbacks. They can guide some viewers' choices but also affect those who prefer no plot details in advance, making effective spoiler detection essential. Existing spoiler detection methods mainly analyze review text, often overlooking the impact of movie genres and user bias, limiting their effectiveness. To address this, we analyze movie review data, finding genre-specific variations in spoiler rates and identifying that certain users are more likely to post spoilers. Based on these findings, we introduce a new spoiler detection framework called GUSD (The code is available at https://github.com/AI-explorer-123/GUSD) (Genre-aware and User-specific Spoiler Detection), which incorporates genre-specific data and user behavior bias. User bias is calculated through dynamic graph modeling of review history. Additionally, the R2GFormer module combines RetGAT (Retentive Graph Attention Network) for graph information and GenreFormer for genre-specific aggregation. The GMoE (Genre-Aware Mixture of Experts) model further assigns reviews to specialized experts based on genre. Extensive testing on benchmark datasets shows that GUSD achieves state-of-the-art results. This approach advances spoiler detection by addressing genre and user-specific patterns, enhancing user experience on movie review platforms.
- Abstract（参考訳）: 映画レビューのスポイラーはIMDbやRotten Tomatoesのようなプラットフォームで重要であり、利点と欠点を提供している。
視聴者の選択を導くこともできるが、前もってプロットの詳細を好まない人々に影響を与えるため、効果的なスポイラー検出が不可欠である。
既存のスポイラー検出手法は主にレビューテキストを分析し、映画ジャンルやユーザーバイアスの影響を見落とし、その効果を制限している。
そこで本研究では,映画レビューデータを解析し,ジャンルごとのスポイラーレートの変動を見つけ,特定のユーザーがスポイラーを投稿する確率が高いことを確かめる。
これらの知見に基づいて,ジャンル別データとユーザ行動バイアスを組み込んだGASD(https://github.com/AI-Explorer-123/GUSD)と呼ばれる新しいスポイラー検出フレームワークを導入する。
ユーザバイアスは、レビュー履歴の動的グラフモデリングによって計算される。
さらにR2GFormerモジュールはグラフ情報にRetGAT(Retentive Graph Attention Network)とジャンル別アグリゲーションにGenreFormerを組み合わせたものだ。
GMoE(Genre-Aware Mixture of Experts)モデルは、ジャンルに基づいた専門家にレビューを割り当てる。
ベンチマークデータセットの大規模なテストは、GUSDが最先端の結果を達成していることを示している。
このアプローチはジャンルやユーザ固有のパターンに対処することで,映画レビュープラットフォーム上でのユーザエクスペリエンスを向上させる。
関連論文リスト
- A Closer Look on Gender Stereotypes in Movie Recommender Systems and Their Implications with Privacy [2.4104718274685]
本研究では,ジェンダーステレオタイプが映画レコメンデーションシステムに与える影響について,特定の攻撃シナリオを通して検討した。
攻撃者は、映画の嗜好に関する性別ステレオタイプを利用し、ユーザのフィードバックデータを分析することにより、ユーザの性別、プライベート属性を決定する。
この調査では、MovieLens 1MとYahoo!
論文 参考訳（メタデータ） (2025-01-08T11:08:58Z) - Classification Matters: Improving Video Action Detection with Class-Specific Attention [61.14469113965433]
ビデオアクション検出(VAD)は、アクターを検出し、そのアクションをビデオで分類することを目的としている。
一般的な手法が、分類のための特徴をどう形成するかを分析し、アクター領域の優先順位付けを行う。
本稿では,アクターに対する偏見を減らし,各アクションクラスに関連する文脈に注意を払うことを提案する。
論文 参考訳（メタデータ） (2024-07-29T04:43:58Z) - Measuring Strategization in Recommendation: Users Adapt Their Behavior to Shape Future Content [66.71102704873185]
実験と調査を行うことで,ユーザストラテジゼーションの試行を行う。
参加者の居住時間や「いいね!」の使用など,結果指標間での戦略化の強い証拠を見出す。
この結果から,プラットフォームはアルゴリズムがユーザの行動に与える影響を無視できないことが示唆された。
論文 参考訳（メタデータ） (2024-05-09T07:36:08Z) - MMoE: Robust Spoiler Detection with Multi-modal Information and Domain-aware Mixture-of-Experts [24.019670360653002]
MMoEはマルチモーダルネットワークであり、複数のモーダルからの情報を利用してロバストなスポイラー検出を容易にする。
MMoEは2つの広く使用されているスポイラー検出データセット上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-03-08T12:42:04Z) - SOAR: Scene-debiasing Open-set Action Recognition [81.8198917049666]
本稿では、対向的なシーン再構成モジュールと適応的な対向的なシーン分類モジュールを備えた、Scene-debiasing Open-set Action Recognition (SOAR)を提案する。
前者は、デコーダが映像特徴の映像背景を再構成することを防止し、特徴学習における背景情報を低減する。
後者は、アクションフォアグラウンドに特に重点を置いて、映像の特徴を与えられたシーンタイプの分類を混乱させることを目的としており、シーン不変情報を学習するのに役立つ。
論文 参考訳（メタデータ） (2023-09-03T20:20:48Z) - Detecting Spoilers in Movie Reviews with External Movie Knowledge and
User Networks [49.34060089217864]
オンライン映画レビュープラットフォームは、映画産業と一般大衆にクラウドソースによるフィードバックを提供している。
自動でスポイラーを識別するための予備的な研究が実施されたが、それらは単にレビューの内容そのものに焦点を当てているだけであった。
本稿では,映画レビュープラットフォーム上での映画やユーザ活動の外部知識を考慮した,新しい多視点スポイラー検出フレームワークであるMVSDを提案する。
論文 参考訳（メタデータ） (2023-04-22T13:54:31Z) - IMDB Spoiler Dataset [1.7513645771137178]
高品質な映画レビューベースのスポイラーデータセットを提案し,スポイラー検出の問題に対処する。
我々は、それが答えられる様々な研究の質問について説明する。
論文 参考訳（メタデータ） (2022-09-17T22:31:06Z) - Video Action Detection: Analysing Limitations and Challenges [70.01260415234127]
ビデオ行動検出における既存のデータセットを分析し,その限界について議論する。
静的画像から映像を区別する重要な特性である時間的側面を解析するバイアスネススタディを実行する。
このような極端な実験は、注意深いモデリングを必要とする既存の手法に忍び込んだバイアスの存在を示している。
論文 参考訳（メタデータ） (2022-04-17T00:42:14Z) - Finding the Right Moment: Human-Assisted Trailer Creation via Task Composition [63.842627949509414]
我々は、トレーラーに含まれる可能性がある映画、すなわちショットのトレーラーの瞬間を見つけることに重点を置いている。
私たちは映画をグラフとしてモデル化し、ノードはショットであり、エッジはそれらの間のセマンティックな関係を表す。
教師なしのアルゴリズムがグラフを横切り、人間の審査員が競争監督のアプローチで選択した映画からトレーラーの瞬間を選択する。
このツールを使うと、30分以内のトレーラーショットを選択でき、完全に自動的な方法よりも優れており、専門家による(排他的な)手動選択に匹敵する。
論文 参考訳（メタデータ） (2021-11-16T20:50:52Z) - Multilevel profiling of situation and dialogue-based deep networks for
movie genre classification using movie trailers [7.904790547594697]
我々は、状況、対話、メタデータに基づく映画ジャンル分類フレームワークという、新しいマルチモダリティを提案する。
我々は,5つのジャンルに属する2000本のハリウッド映画トレーラーを含むイギリス映画トレーラーデータセット(EMTD)を開発した。
論文 参考訳（メタデータ） (2021-09-14T07:33:56Z) - Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
現在の顔認識(FR)モデルには、人口統計バイアスが存在する。
さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。
真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。
本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
論文 参考訳（メタデータ） (2021-03-16T15:05:49Z)
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。