論文の概要: Predicting Movie Hits Before They Happen with LLMs

• arxiv url: http://arxiv.org/abs/2505.02693v1
• Date: Mon, 05 May 2025 14:43:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.710892
• Title: Predicting Movie Hits Before They Happen with LLMs
• Title（参考訳）: LLMで映画のヒットを予測
• Authors: Shaghayegh Agah, Yejin Kim, Neeraj Sharma, Mayur Nankani, Kevin Foley, H. Howie Huang, Sardar Hamidian,
• Abstract要約: われわれは、大規模なエンターテイメントプラットフォーム上での映画のコールドスタート問題に取り組むことに重点を置いている。 我々の第一の目的は,映画メタデータを活用したLarge Language Models (LLMs) を用いたコールドスタート映画の人気を予測することである。
• 参考スコア（独自算出の注目度）: 4.013014420488594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Addressing the cold-start issue in content recommendation remains a critical ongoing challenge. In this work, we focus on tackling the cold-start problem for movies on a large entertainment platform. Our primary goal is to forecast the popularity of cold-start movies using Large Language Models (LLMs) leveraging movie metadata. This method could be integrated into retrieval systems within the personalization pipeline or could be adopted as a tool for editorial teams to ensure fair promotion of potentially overlooked movies that may be missed by traditional or algorithmic solutions. Our study validates the effectiveness of this approach compared to established baselines and those we developed.
• Abstract（参考訳）: コンテンツレコメンデーションにおけるコールドスタートの問題に対処することは、依然として重要な課題である。 本研究では,大規模なエンターテイメントプラットフォーム上での映画のコールドスタート問題に取り組むことに焦点を当てる。 我々の第一の目的は,映画メタデータを活用したLarge Language Models (LLMs) を用いたコールドスタート映画の人気を予測することである。 この方法は、パーソナライズパイプライン内の検索システムに統合されるか、あるいは編集チームが従来的あるいはアルゴリズム的な解決策によって見逃される可能性のある、見落とされた映画を公平に宣伝するためのツールとして採用される可能性がある。 本研究は,本手法の有効性を,既存のベースラインや開発したものと比較して検証する。

関連論文リスト

• Keyword-driven Retrieval-Augmented Large Language Models for Cold-start User Recommendations [5.374800961359305]
  コールドスタートユーザレストランレコメンデーションの問題に対処するフレームワークであるKALM4Recを紹介する。 KALM4Recは、候補検索とLLMベースの候補の再ランクの2つの主要な段階で動作する。 Yelpのレストランデータセットを用いて、英語圏の3都市からのユーザレビューを行い、提案したフレームワークが推奨品質を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2024-05-30T02:00:03Z)
• Movie101v2: Improved Movie Narration Benchmark [53.54176725112229]
  映像の自動ナレーションは、視覚障害者を支援するために、映像に合わせたプロット記述を生成することを目的としている。 映画ナレーションに特化して設計されたデータ品質を向上した大規模バイリンガルデータセットであるMovie101v2を紹介する。 新しいベンチマークに基づいて,GPT-4Vを含む多数の視覚言語モデルをベースライン化し,ナレーション生成における課題の詳細な分析を行う。
  論文  参考訳（メタデータ） (2024-04-20T13:15:27Z)
• Learning to Remove Wrinkled Transparent Film with Polarized Prior [33.56569839317172]
  フィルム除去(FR)は、透明フィルムの干渉を除去し、産業認識のためのフィルムの下で元の情報を再構築しようとする試みである。 透明フィルムとペアデータを含む偏光情報を用いた実用的なデータセットを構築した。 エンド・ツー・エンドの枠組みでフィルムからの干渉(特殊ハイライトなど劣化)を除去することを目的としている。
  論文  参考訳（メタデータ） (2024-03-07T09:56:56Z)
• Temporal Sentence Grounding in Streaming Videos [60.67022943824329]
  本稿では,ストリーミングビデオにおける時間文グラウンディング(TSGSV)の新たな課題に取り組むことを目的とする。 TSGSVの目標は、ビデオストリームと所定の文クエリの関連性を評価することである。 本研究では,(1)モデルが今後のイベントを学習することを可能にするTwinNet構造,(2)冗長な視覚的フレームを除去する言語誘導型特徴圧縮器の2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-14T12:30:58Z)
• MoviePuzzle: Visual Narrative Reasoning through Multimodal Order Learning [54.73173491543553]
  MoviePuzzleは、ビジュアルな物語の推論と全体論的映画理解をターゲットとする、新しい挑戦である。 本研究では,映像モデルの時間的特徴学習と構造学習を増幅するMoviePuzzleタスクを提案する。 提案手法はMoviePuzzleベンチマークの既存の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-06-04T03:51:54Z)
• Movie Genre Classification by Language Augmentation and Shot Sampling [20.119729119879466]
  本稿では,Language augmentatIon とshot SamPling (Movie-CLIP) を用いた映画ジャンル分類手法を提案する。 Movie-CLIPは主に、入力オーディオから言語要素を認識する言語拡張モジュールと、ビデオ全体から代表ショットを選択するショットサンプリングモジュールの2つの部分で構成されている。 本手法をMovieNetとCondensed Moviesのデータセット上で評価し,平均精度(mAP)を平均6～9%向上させた。
  論文  参考訳（メタデータ） (2022-03-24T18:15:12Z)
• Analyzing movies to predict their commercial viability for producers [0.0]
  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。
  論文  参考訳（メタデータ） (2021-01-05T18:42:38Z)
• 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)
• 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。