KI sagt Kinobesucherzahlen voraus, indem Trailer mit kollaborativer Filterung analysiert werden

• Ein neues Modell für maschinelles Lernen sagt anhand des Trailers voraus, welches Publikum einen Film am wahrscheinlichsten sehen wird. 
• Es nutzt die Methode der kollaborativen Filterung, um Trailer-Features wie Gesichter, Objekte, Landschaften usw. zu extrahieren. 
• Diese Funktionen werden dann mit Anwesenheits- und demografischen Daten kombiniert, um die Anwesenheit des Publikums vorherzusagen.

Trailer sind der wichtigste Teil der Marketingkampagne für neue Filme. Sie stellen Charaktere vor, vermitteln die Handlung, verraten einige Hinweise zur Handlung und steigern das Bewusstsein bei Filmliebhabern.

Für Filmemacher ist es eine Gelegenheit, die Perspektive des Publikums kennenzulernen:Was ihnen gefiel und was sie nicht beeindruckte. Normalerweise helfen ihnen diese Details bei der Planung der nächsten Strategie der Marketingkampagne.

Um die besten Vorschauen für Trailer zu finden, haben Ingenieure der 20th Century Fox-Filmstudios eine maschinelle Lernmethode namens Merlin Video entwickelt, die anhand des Trailers vorhersagt, welche Zuschauer einen Film am wahrscheinlichsten sehen werden.

Wie funktioniert es?

Merlin Video generiert dichte Darstellungen eines Trailers und nutzt diese, um das Verhalten eines Publikums zu analysieren und vorherzusagen. Laut dem Forschungsteam ist dies das erste Mal, dass ein Filmstudio eine Low-Level-Darstellung von Trailern verwendet, um die Interessen des Publikums zu messen.

Es basiert auf dem hochmodernen kollaborativen Filtermodell, das Merkmale wie Beleuchtung, Objekte, Farben und Gesichter extrahiert und sie mit Besucher- und demografischen Daten kombiniert, um die Zuschauerbesuche für bestehende Filme sowie für noch erscheinende Filme genau vorherzusagen.

Die Faltungs-Neuronalen Netze extrahieren Bild für Bild Merkmale auf niedriger Ebene. Mithilfe der vortrainierten Netzwerke können die Merkmale in den relevanten Frames eines Trailers erkannt und analysiert werden. Durch die Einspeisung geeigneter Darstellungen dieser Merkmale in neuronale Netze, die auf historischen Aufzeichnungen trainiert wurden, kann man signifikante Zusammenhänge zwischen den Merkmalen des Filmtrailers und zukünftigen Publikumspräferenzen entdecken.

Übersicht über Merlin Video | Mit freundlicher Genehmigung von Forschern 

Referenz: arXiv:1807.04465

Genauer gesagt enthält Merlin Video eine logistische Regressionsebene, die das distanzbasierte Modell der kollaborativen Filterung mit der Benutzeraktualität und Benutzerhäufigkeit zusammenführt, um die Wahrscheinlichkeit des Publikumsbesuchs zu generieren. Das System wird durchgängig trainiert und logistische Regressionsverluste werden an alle trainierbaren Module weitergegeben.

Zusammenfassend haben Ingenieure in dieser Studie drei Hauptbeiträge geleistet:

1. Ein Empfehlungsmodell für Filmveröffentlichungen, das speziell für die Handhabung der Kaltstart- und Kinoempfehlungen unter Verwendung der Inhalte des Trailers entwickelt wurde.
2. Sie haben die Leistung mehrerer Versionen von Merlin Video gemessen und gezeigt, wie es in Entscheidungsprozessen in realen Szenarien eingesetzt werden kann.
3. Sie diskutierten die möglichen Möglichkeiten, Video- und Texteingaben zu kombinieren, um die Vorhersagegenauigkeit zu verbessern.

Das neuronale Netzwerk wird anhand von Hunderten von in den letzten Jahren veröffentlichten Trailern und Millionen von Besucherzahlen trainiert. Sie nutzten die NVIDIA Tesla P100 GPU in der Google Cloud mit TensorFlow, unterstützt durch das CUDA Deep Neural Network, um das Modell zu trainieren.

Lesen Sie:Nvidia AI kann 30-fps-Videos in 240-fps konvertieren

In zukünftigen Arbeiten werden sich die Ingenieure auf die Entwicklung eines Modells konzentrieren, das sowohl Video- als auch Textfunktionen nutzt, um den Erfolg eines Films vorherzusagen.