ИИ прогнозирует посещаемость кинотеатра, анализируя трейлеры с помощью совместной фильтрации

• Новая модель машинного обучения предсказывает, какая аудитория с наибольшей вероятностью посмотрит фильм, на основе его трейлера. 
• Он использует метод совместной фильтрации для извлечения таких особенностей трейлера, как лица, объекты, пейзажи и т. д. 
• Эти функции затем объединяются с данными о посещаемости и демографическими данными для прогнозирования посещаемости аудитории.

Трейлеры — важнейшая часть маркетинговой кампании новых фильмов. Они представляют персонажей, рассказывают о сюжете, раскрывают некоторые намеки на сюжетную линию и повышают осведомленность любителей кино.

Для кинематографистов это возможность узнать точку зрения аудитории:что им понравилось, а что не впечатлило. Обычно эти детали помогают им спланировать следующую стратегию маркетинговой кампании.

Чтобы выбрать лучшие превью к трейлеру, инженеры киностудии 20th Century Fox разработали метод машинного обучения под названием Merlin Video, который на основе трейлера предсказывает, какая аудитория с наибольшей вероятностью будет смотреть фильм.

Как это работает?

Merlin Video генерирует плотные представления трейлера и использует их для анализа и прогнозирования поведения аудитории. По данным исследовательской группы, это первый случай, когда киностудия использует низкоуровневое представление трейлеров для измерения интересов аудитории.

Он основан на современной модели совместной фильтрации, которая извлекает такие характеристики, как освещение, объекты, цвета и лица, и объединяет их с данными о посещаемости и демографическими данными для точного прогнозирования посещаемости аудитории существующих, а также еще не выпущенных фильмов.

Сверточные нейронные сети покадрово извлекают функции низкого уровня. Предварительно обученные сети можно использовать для обнаружения и анализа особенностей в соответствующих кадрах трейлера. Передавая соответствующие представления этих характеристик нейронным сетям, обученным на исторических записях, можно обнаружить существенные связи между особенностями трейлера фильма и будущими предпочтениями аудитории.

Обзор Мерлин Видео | С разрешения исследователей 

Ссылка: arXiv:1807.04465

В частности, Merlin Video содержит уровень логистической регрессии, который объединяет модель совместной фильтрации на основе расстояния с давностью и частотой пользователей для определения вероятности посещаемости аудитории. Система обучается сквозным образом, и потери логистической регрессии распространяются обратно на все обучаемые модули.

Подводя итог, можно сказать, что инженеры внесли в это исследование три основных вклада:

1. Модель рекомендаций для выпусков фильмов, разработанная специально для работы с рекомендациями по холодному запуску и кинотеатрам с использованием содержимого трейлера.
2. Они измерили производительность нескольких версий Merlin Video и продемонстрировали, как ее можно использовать в процедурах принятия решений в реальных сценариях.
3. Они обсудили возможные способы объединения видео и текстовых входных данных для повышения точности прогнозов.

Нейронная сеть обучена на сотнях трейлеров, выпущенных за последние годы, и миллионах записей посещений. Для обучения модели они использовали графический процессор NVIDIA Tesla P100 в облаке Google с TensorFlow на базе глубокой нейронной сети CUDA.

Читайте:Nvidia AI может конвертировать видео с частотой 30 кадров в секунду в 240 кадров в секунду

В дальнейшей работе инженеры сосредоточатся на создании модели, которая будет использовать как видео, так и текстовые функции для прогнозирования успеха фильма.



Иттербий:революция в квантовых сетях на больших расстояниях ИИ удаляет шумы на изображениях без чистых обучающих данных