Τransformer neural networks for predicting movie ratings

Abstract

Η υλοποίηση ενός συστήματος τεχνητής νοημοσύνης για τη πρόβλεψη της βαθμολόγησης ταινιών από το κοινό με τη χρήση του περιεχόμενο κειμένου από τις κριτικές χρηστών αποτελεί μια σύνθετη πρόκληση λόγω του τόνου, συναισθήματος και των υπονοουμένων που μπορεί να περιέχονται στην φυσική γλώσσα. Οι παραδοσιακές προσεγγίσεις σχεδιασμού μοντέλων πρόβλεψης δεν μπορούν να εντοπίσουν την ειρωνεία, τον σαρκασμό και άλλες «κρυφές» συναισθηματικές έννοιες που μπορεί να εμπεριέχονται σε μικρά κείμενα κριτικών γραμμένα από ανθρώπους, με αποτέλεσμα να οδηγούνται σε λανθασμένες προβλέψεις. Ο σχεδιασμός και η βελτίωση τεχνικής για τη δυνατότητα μιας τέτοιας πρόβλεψης μπορεί να χρησιμεύσει για πολλούς λόγους. Πρακτική εφαρμογή της θα μπορούσε να αποτελέσει η ενίσχυση συστημάτων προτάσεων ταινιών, επιτρέποντας στις διάφορες υπηρεσίες και πλατφόρμες μετάδοσης περιεχομένου να προτείνουν ταινίες όχι μόνο βάσει των αριθμητικών βαθμολογιών, και των κουμπιών «like», αλλά και με βάση το συναίσθημα των κειμένων των κριτικών. Παράλληλα η υλοποίηση ενός τέτοιου συστήματος μπορεί να οδηγήσει σε αυτοματοποίηση ανάλυσης κριτικών, που να αναλύει σε περισσότερο βάθος τους επιμέρους παράγοντες που κάνουν μία ταινία επιτυχημένη ή αποτυχημένη, δίνοντας κατεύθυνση στις παραγωγές σχετικά με τις προτιμήσεις του κοινού. Επιπλέον, οι τρέχουσες βαθμολογίες στο IMDb βασίζονται σε ανθρώπινες απόψεις οι οποίες συχνά μπορεί να μην αντικατοπτρίζουν την αντικειμενική γνώμη του συγγραφέα και να είναι προκατειλημμένες ή να έχουν επηρεαστεί από εξωτερικούς παράγοντες, όπως η υπερβολική διαφήμιση, ο χρηματισμός, οι αντιπαραθέσεις ή η αφοσίωση των θαυμαστών. Αυτό δημιουργεί την ανάγκη για μια πιο αντικειμενική μέθοδο βαθμολόγησης. Η παρούσα εργασία εξετάζει μια μέθοδο που αξιοποιεί την ικανότητα του μοντέλου BERT να κωδικοποιεί το συμφραζόμενο της γλώσσας, με την ευελιξία που προσφέρουν οι αρχιτεκτονικές μηχανικής μάθησης για τη βελτίωση της ακρίβειας πρόβλεψης βαθμολογιών. Το προτεινόμενο σύστημα στοχεύει να βρει τη σύνδεση μεταξύ συναισθηματικού περιεχομένου κειμένων κριτικών και αριθμητικής αξιολόγησης. Αυτός ο συνδυασμός τεχνολογιών μπορεί να οδηγήσει στη βελτίωση της ακρίβειας και της αξιοπιστίας των προβλέψεων βαθμολογίας, προσφέροντας μια πιο αποτελεσματική λύση σε σχέση με τις παραδοσιακές μεθόδους.