AI는 협업 필터링으로 예고편을 분석하여 영화 출석률을 예측합니다.

• 새로운 기계 학습 모델은 예고편을 기반으로 어떤 관객이 영화를 볼 가능성이 가장 높은지 예측합니다. 
• Collaborative Filtering 방법을 사용하여 얼굴, 사물, 풍경 등과 같은 예고편 특징을 추출합니다. 
• 이러한 기능은 출석 및 인구통계 데이터와 결합되어 시청자 출석을 예측합니다.

예고편은 신작 영화 마케팅 캠페인에서 가장 중요한 부분입니다. 등장인물을 소개하고 줄거리를 전달하며 줄거리에 대한 힌트를 공개하고 영화 애호가들 사이에서 인지도를 높입니다.

영화 제작자에게는 관객의 관점, 즉 그들이 좋아하는 것과 인상적이지 않은 것을 배울 수 있는 기회입니다. 일반적으로 이러한 세부정보는 마케팅 캠페인의 다음 전략을 계획하는 데 도움이 됩니다.

예고편에 대한 최고의 미리보기를 선택하는 데 도움을 주기 위해 20세기 폭스 영화 스튜디오의 엔지니어들은 예고편을 기반으로 어떤 관객이 영화를 볼 가능성이 가장 높은지 예측하는 Merlin Video라는 기계 학습 방법을 구축했습니다.

어떻게 작동하나요?

Merlin Video는 예고편의 조밀한 표현을 생성하고 이를 사용하여 청중의 행동을 분석하고 예측합니다. 연구팀에 따르면 영화 스튜디오에서 관객의 관심도를 측정하기 위해 낮은 수준의 예고편 표현을 사용하는 것은 이번이 처음입니다.

조명, 사물, 색상, 얼굴 등의 특징을 추출하고 이를 관객수, 인구통계학적 데이터와 결합하여 기존 영화는 물론 개봉 예정인 영화의 관객 관객수를 정확하게 예측하는 최첨단 협업 필터링 모델을 기반으로 합니다.

컨벌루션 신경망은 프레임별로 낮은 수준의 특징을 추출합니다. 사전 훈련된 네트워크를 사용하여 트레일러 관련 프레임의 특징을 감지하고 분석할 수 있습니다. 역사적 기록을 바탕으로 훈련된 신경망에 이러한 기능의 적절한 표현을 제공함으로써 영화 예고편의 기능과 향후 관객 선호도 사이의 중요한 연관성을 발견할 수 있습니다.

멀린 비디오 개요 | 연구원 제공 

참조: arXiv:1807.04465

보다 구체적으로 Merlin Video에는 거리 기반 협업 필터링 모델을 사용자 최신성 및 사용자 빈도와 병합하여 청중 참석 확률을 생성하는 로지스틱 회귀 레이어가 포함되어 있습니다. 시스템은 엔드투엔드 방식으로 학습되며 로지스틱 회귀 손실은 학습 가능한 모든 모듈에 다시 전파됩니다.

요약하자면, 엔지니어들은 이 연구에서 세 가지 주요 기여를 했습니다:

1. 예고편 콘텐츠를 사용하여 초기 시작 및 극장 추천을 처리하기 위해 특별히 개발된 영화 개봉을 위한 추천 모델입니다.
2. 여러 버전의 Merlin Video의 성능을 측정하고 실제 시나리오에서 의사 결정 절차에 이 비디오가 어떻게 활용될 수 있는지 보여주었습니다.
3. 그들은 예측 정확도를 높이기 위해 동영상과 텍스트 입력을 결합하는 가능한 방법에 대해 논의했습니다.

신경망은 지난 몇 년 동안 출시된 수백 개의 예고편과 수백만 건의 참석 기록을 바탕으로 훈련되었습니다. 그들은 CUDA 심층 신경망으로 구동되는 TensorFlow와 함께 Google Cloud의 NVIDIA Tesla P100 GPU를 사용하여 모델을 훈련했습니다.

읽기:Nvidia AI는 30fps 비디오를 240fps로 변환할 수 있습니다

향후 작업에서 엔지니어들은 영화의 성공을 예측하기 위해 비디오와 텍스트 기능을 모두 활용하는 모델을 구축하는 데 집중할 것입니다.