人工智能通过协作过滤分析预告片来预测电影上座率
- 新的机器学习模型可以根据预告片预测观众最有可能观看的电影内容。
- 它使用协作过滤方法来提取预告片特征，例如面孔、物体、风景等。
- 然后将这些特征与出席人数和人口统计数据相结合，以预测观众出席人数。
预告片是新电影营销活动中最重要的部分。它们呈现人物、传达情节、揭示故事情节的一些暗示，并提高电影爱好者的认知度。
对于电影制作人来说，这是一个了解观众观点的机会：他们喜欢什么，什么没有给他们留下深刻的印象。通常，这些细节可以帮助他们规划营销活动的下一步策略。
为了帮助获得最佳的预告片预览，20 世纪福克斯电影制片厂的工程师构建了一种名为 Merlin Video 的机器学习方法，该方法可以根据预告片预测观众最有可能观看的电影内容。
它是如何工作的？
Merlin Video 生成预告片的密集表示，并使用它们来分析和预测观众的行为。研究团队表示，这是电影制片厂首次使用预告片的低级表示来衡量观众的兴趣。
它基于最先进的协作过滤模型，该模型提取照明、物体、颜色和面孔等特征，并将其与上座率和人口统计数据相结合，以准确预测现有电影以及尚未上映的电影的观众上座率。
卷积神经网络逐帧提取低级特征。预先训练的网络可用于检测和分析拖车相关帧中的特征。通过将这些特征的适当表示输入到根据历史记录训练的神经网络中，人们可以发现电影预告片的特征与未来观众偏好之间的重要联系。
Merlin 视频概述 |由研究人员提供
参考：arXiv:1807.04465
更具体地说，Merlin Video 包含一个逻辑回归层，它将基于距离的协作过滤模型与用户新近度和用户频率相结合，以生成观众出席的概率。系统进行端到端训练，逻辑回归损失被传播回所有可训练模块。
总的来说，工程师们在这项研究中做出了三个主要贡献：
- 专为使用预告片内容处理冷启动和院线推荐而开发的电影发行推荐模型。
- 他们测量了 Merlin Video 多个版本的性能，并演示了如何将其用于现实场景的决策过程。
- 他们讨论了结合视频和文本输入来提高预测准确性的可行方法。
该神经网络接受了过去几年发布的数百个预告片和数百万条观众记录的训练。他们使用 Google Cloud 上的 NVIDIA Tesla P100 GPU 以及由 CUDA 深度神经网络支持的 TensorFlow 来训练模型。
阅读：Nvidia AI 可以将 30fps 视频转换为 240fps
在未来的工作中，工程师将专注于构建一个利用视频和文本特征来预测电影成功的模型。
工业技术