在线电影知识库上的数据驱动大片规划
人工智能
2018-10-25 v1
摘要
在大数据时代，物流规划可数据驱动以利用过往积累知识。而在电影行业，电影规划亦可借助现有在线电影知识库取得更佳成效。然而，仅依赖传统启发式方法进行电影规划是低效的，因为现有电影数量庞大且促成每部电影成功的现实因素多样，如电影类型、可用预算、制作团队（涉及演员、女演员、导演与编剧）等。本文研究「大片规划」（BP）问题，以从既往电影学习并以完全数据驱动方式规划低预算高回报新电影。在深入调研在线电影知识库后，本文引入新颖电影规划框架「最大化电影配置熟悉度的大片规划」（BigMovie）。从投资视角，BigMovie 在给定预算下最大化规划电影的预估票房，能以 0.26 平均绝对百分比误差（预算为 0.16）准确预估电影票房。同时，从制作团队视角，BigMovie 能以团队成员熟悉的人员/电影类型组建优化团队，利用历史合作记录通过熟悉度张量估计电影配置因素的熟悉度分数。我们将 BP 问题表述为非线性二元规划问题并证明其 NP 困难性。为在多项式时间内求解，BigMovie 放宽硬性二元约束并将 BP 问题作为三次规划问题处理。在 IMDB 电影数据库上的大量实验证明了 BigMovie 进行有效数据驱动大片规划的能力。
引用
@article{arxiv.1810.10175,
title = {Data-driven Blockbuster Planning on Online Movie Knowledge Library},
author = {Ye Liu and Jiawei Zhang and Chenwei Zhang and Philip S. Yu},
journal= {arXiv preprint arXiv:1810.10175},
year = {2018}
}
备注
IEEE BigData