論文の概要: Book Readership During Movie Releases: An Exploratory Analysis
- arxiv url: http://arxiv.org/abs/2608.29019v1
- Date: Sat, 29 Aug 2026 03:19:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 13:05:36.004723
- Title: Book Readership During Movie Releases: An Exploratory Analysis
- Title（参考訳）: 映画公開中の書籍読者:探索的分析
- Authors: Sushobhan Parajuli, Vittoria Vineis, Samira Vaez Barenji, Michael D. Ekstrand,
- Abstract要約: 本書に基づく映画の公開は、一時的に原文への注意を増し、一部の読者にとってその関連性を変化させる可能性がある。
映画公開日と一致した大きなGoodreadsデータセットを用いて,この現象を検証した。
次に、映画公開日前後の映画対応書籍のランク付け方法を理解するために、既存のレコメンデーションモデルを評価する。
- 参考スコア（独自算出の注目度）: 1.64820293573702
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Exogenous events can temporarily change the relevance of items in recommender systems, but these shifts are often not visible in historical interaction data until after users have already responded. In book recommendation, movie adaptations provide a clear example of such events: the release of a movie based on a book can temporarily increase attention to the source text and change its relevance for some readers. We examine this phenomenon using a large Goodreads dataset matched to movie release dates. We find a clear spike in readership around the release month, and then we evaluate existing recommendation models to understand how they rank movie-adapted books around the movie release date.
- Abstract（参考訳）: 外因性事象は、レコメンデーションシステムにおけるアイテムの関連性を一時的に変える可能性があるが、これらの変化は、ユーザーが既に応答した後まで、歴史的なインタラクションデータで見ることができないことが多い。
書籍レコメンデーションにおいて、映画化は、本に基づく映画の公開が、ソーステキストへの注意を一時的に高め、一部の読者にその関連性を変化させる、という明確な事例を提供する。
映画公開日と一致した大きなGoodreadsデータセットを用いて,この現象を検証した。
公開月あたりの読者数は明らかに急増しており、映画公開日前後の映画対応書籍のランク付け方法を理解するために、既存のレコメンデーションモデルを評価している。
関連論文リスト
- Predicting Movie Hits Before They Happen with LLMs [4.013014420488594]
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。
論文 参考訳（メタデータ） (2025-05-05T14:43:20Z) - DiscoGraMS: Enhancing Movie Screen-Play Summarization using Movie Character-Aware Discourse Graph [6.980991481207376]
映画脚本を映画キャラクタ対応の談話グラフ(CaD Graph)として表現する新しいリソースであるDiscoGraMSを紹介する。
このモデルは、スクリーンプレイの内容をより包括的で忠実に表現することで、すべての健全な情報を保存することを目的としている。
論文 参考訳（メタデータ） (2024-10-18T17:56:11Z) - ScreenWriter: Automatic Screenplay Generation and Movie Summarisation [55.20132267309382]
ビデオコンテンツは、ユーザーがキープロットポイントをリコールしたり、見ずに概要を見ることができるようなテキスト記述や要約の需要を駆り立ててきた。
本稿では,映像のみを操作し,対話,話者名,シーンブレーク,視覚的記述を含む出力を生成するScreenWriterを提案する。
ScreenWriterは、映像を視覚ベクトルのシーケンスに基づいてシーンに分割する新しいアルゴリズムを導入し、アクターの顔のデータベースに基づく文字名決定の難しい問題に対する新しい方法を提案する。
論文 参考訳（メタデータ） (2024-10-17T07:59:54Z) - MovieSum: An Abstractive Summarization Dataset for Movie Screenplays [11.318175666743656]
映画脚本の抽象的な要約のための新しいデータセットであるMovieSumを提示する。
このデータセットはウィキペディアのプロットサマリーを伴って2200の映画脚本で構成されている。
論文 参考訳（メタデータ） (2024-08-12T16:43:09Z) - Previously on the Stories: Recap Snippet Identification for Story
Reading [51.641565531840186]
本稿では,手作り評価データセットを用いたRecap Snippet Identificationと呼ばれる,この有用なタスクに関する最初のベンチマークを提案する。
本実験により,提案課題は,提案課題がスニペット間のプロット相関の深い理解を必要とするため,PLM,LSM,および提案手法に難題であることが判明した。
論文 参考訳（メタデータ） (2024-02-11T18:27:14Z) - 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) - Where to look at the movies : Analyzing visual attention to understand
movie editing [75.16856363008128]
映画シーケンスの視線パターン情報を含む新しい視線追跡データベースを提案する。
このデータセット上で、最先端の計算サリエンシー技術がどのように振る舞うかを示す。
論文 参考訳（メタデータ） (2021-02-26T09:54:58Z) - DOCENT: Learning Self-Supervised Entity Representations from Large
Document Collections [18.62873757515885]
本稿では、大量の関連テキストからリッチな自己教師型エンティティ表現を学習する。
事前学習すると、これらのモデルは、ランク付けされた検索、知識ベース補完、質問応答など、複数のエンティティ中心のタスクに適用できる。
我々は,従来のアプローチとは異なり,単語や実体を共同で予測する訓練戦略をいくつか提示する。
論文 参考訳（メタデータ） (2021-02-26T01:00:12Z) - 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)
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。