JP2022533690A - 映画成功指数の予測 - Google Patents

映画成功指数の予測 Download PDF

Info

Publication number
JP2022533690A
JP2022533690A JP2021568967A JP2021568967A JP2022533690A JP 2022533690 A JP2022533690 A JP 2022533690A JP 2021568967 A JP2021568967 A JP 2021568967A JP 2021568967 A JP2021568967 A JP 2021568967A JP 2022533690 A JP2022533690 A JP 2022533690A
Authority
JP
Japan
Prior art keywords
movie
score
scenes
identified
script
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2021568967A
Other languages
English (en)
Other versions
JP7208595B2 (ja
Inventor
アヌバウ スリヴァスタヴァ
サンカラン ケサバン
パラッグ ヴィシュナヴァ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Corp
Sony Group Corp
Original Assignee
Sony Corp
Sony Group Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sony Corp, Sony Group Corp filed Critical Sony Corp
Publication of JP2022533690A publication Critical patent/JP2022533690A/ja
Application granted granted Critical
Publication of JP7208595B2 publication Critical patent/JP7208595B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

映画成功指数の予測のための情報処理装置及び方法を提供する。情報処理装置は、映画脚本のテキスト分析に基づいて映画脚本内の複数のシーンを識別し、複数のシーンのジャンル情報に基づいて映画脚本の各シーンの第１のスコアを計算する。情報処理装置は、映画脚本内のキャラクタリストをさらに識別し、キャラクタリストの各キャラクタの役柄演技のための俳優を選択し、役柄演技のために選択された俳優の適合性を示す第２のスコアを計算する。第２のスコアは、過去の映画データベースのデータ点について訓練される機械学習モデルに基づいて計算される。情報処理装置は、計算された第１のスコア及び計算された第２のスコアに基づいて映画成功指数を予測する。【選択図】図９

Description

〔関連出願との相互参照／引用による組み入れ〕
本出願は、２０１９年５月２０日に出願された米国仮特許出願第６２／８５０，０７５号に対する優先権を主張するものであり、この出願はその内容全体が引用により本明細書に組み入れられる。
本開示の様々な実施形態は、テキスト処理法、自然言語処理（ＮＬＰ）法及び機械学習（ＭＬ）法に関する。具体的には、本開示の様々な実施形態は、映画の成功指数（ｓｕｃｃｅｓｓ－ｑｕｏｔｉｅｎｔ）の予測のための情報処理装置及び方法に関する。
通常、映画製作会社は、映画の潜在的候補として多くの映画脚本を受け取る。これらの映画製作会社は、受け取った各映画脚本を読み、理解し、映画の潜在的成功因子について分析する専用チームを有する。このような分析が行われると、映画の異なる役柄にとって最適と思われる俳優を決定する他のチームが存在する。このような分析は大部分が手動で行われ、従って適切なキャストの選択及び潜在的成功因子は、人的エラーの影響を受けやすく、主観的意見／偏見に起因して最適なものではない。製作前の不十分な映画脚本の分析又はキャスト選択は、興行面での映画の成功に影響を及ぼす場合がある。
当業者には、説明したシステムと、本出願の残り部分において図面を参照しながら示す本開示のいくつかの態様とを比較することにより、従来の慣習的な手法のさらなる限界及び不利点が明らかになるであろう。
少なくとも１つの図に関連して図示及び／又は説明し、特許請求の範囲にさらに完全に示すような、映画成功指数の予測のための情報処理装置及び方法を提供する。
全体を通じて同じ要素を同じ参照符号によって示す添付図面を参照しながら本開示の以下の詳細な説明を検討することにより、本開示のこれらの及びその他の特徴及び利点を理解することができる。
本開示の実施形態による、映画成功指数の予測のための例示的な環境を示す図である。 本開示の実施形態による、映画成功指数の予測のための例示的な情報処理装置を示すブロック図である。 本開示の実施形態による、映画脚本の一部を示す図である。 本開示の実施形態による、映画成功指数の予測のための例示的な動作を示す図である。 本開示の実施形態による、映画成功指数の予測のための例示的な機械学習（ＭＬ）モデルを示す図である。 本開示の実施形態による、音調メトリックに基づく映画成功指数の予測のための例示的な動作を示す図である。 本開示の実施形態による、映画脚本の２又は３以上のバージョンの比較のための業界別基準モデルを生成する例示的な動作を示すブロック図である。 本開示の実施形態による、映画脚本の分析に基づいて、映画で使用される色のジャンル別推奨を行う例示的な動作を示すブロック図である。 本開示の実施形態による、映画成功指数の予測のための例示的な動作を示すフローチャートである。 本開示の少なくとも１つの実施形態による、映画成功指数のシミュレーション及び分析のためのユーザインターフェイスを示す図である。 本開示の少なくとも１つの実施形態による、図１０のＵＩを通じて俳優詳細を視覚化するためのユーザインターフェイス（ＵＩ）要素を示す図である。 本開示の少なくとも１つの実施形態による、映画成功指数の予測のために検討されるパラメータの重みを図１０のＵＩを通じて選択するためのユーザインターフェイス（ＵＩ）要素を示す図である。
開示する映画成功指数の予測のための情報処理装置及び方法では、後述する実装を見出すことができる。本開示の例示的な態様は、情報処理装置を提供する。情報処理装置は、映画製作会社が興行面での成功可能性の高い映画脚本を選択し、映画に適した俳優／クルーを選択し、興行面での映画の成功の指標とすることができる成功指数を予測するのに役立つことができる。映画成功指数は、その映画脚本に基づいて製作された映画が興行面で（例えば、映画格付け面又は収益面で）どのような成果を上げるか、或いは特定の人口グループ又は人口動態区分内でのその映画の潜在的人気の尺度を示すことができる。
開示する情報処理装置は、自然言語処理（ＮＬＰ）アルゴリズムを使用して映画脚本をテキスト的に分析して、キャラクタ、シーン、シーンのジャンル重み（ｇｅｎｒｅ ｗｅｉｇｈｔａｇｅ）、及び主人公などを識別することができる。これにより、映画の製作を脚本レベルで洞察することができる。関数データ部分については、過去の映画データを分析して、各俳優、監督、地域、季節にジャンル毎にスコア付けすることができる。また、映画脚本内の各キャラクタに俳優をマッピングすることもできる。このキャラクタマッピングには、異なるジャンルにおける各俳優のスコアを重み付けすることができる。同様に、監督又は他のクルーメンバもマッピングして重みを与えることができる。成功指数は、上述したデータの重み付き結合式（ｗｅｉｇｈｔｅｄ ｃｏｍｂｉｎｅｄ ｆｏｒｍｕｌａ）に基づいて取得することができる。情報処理装置は、映画脚本の洞察を、俳優、監督、季節、ジャンル、並びに俳優及び監督についてのソーシャルメディアの重みに関する関数データと固有に組み合わせて、映画脚本自体から予測成功スコアを提供することができる。また、情報処理装置は、過去の映画データベース（例えば、興行データ）に基づいて映画成功指数を予測することもできる。
様々な製作会社によって受け取られる映画脚本は何百も存在し、これらは通常手動で分析される。１つ１つの映画脚本を読み込んで、異なるシーンのムード、又は各シーンにおけるキャラクタの関与、或いはこれらのシーンがどのジャンルに分布しているかなどの様々な側面を理解することは、時間と共に困難になってきた。開示する情報処理装置は、シーン数、キャラクタ数、異なるジャンルに向かう各シーンの極性、過去の俳優データとの複合洞察（ｃｏｍｂｉｎｅｄ ｉｎｓｉｇｈｔ）及びソーシャルバズ（ｓｏｃｉａｌ ｂｕｚｚ）などの異なる側面で映画脚本を洞察して、映画が成功する可能性に関する指標を与える成功指数又はスコアを提供することができる。成功指数は、俳優及び／又は監督間の相性を織り込んで、成功の可能性が最も高い映画脚本を製作会社が選択するのに役立つことができる。
成功指数は、映画製作会社が、コンテンツの購入、権利の購入、又は映画製作のための映画脚本の選択を決定するのに役立つことができる。製作会社は、成功率の高い映画の俳優又はクルーを選択することができ、映画の製作又は映画の権利購入前に映画が成功する可能性に気付きやすくなることができる。製作会社は、映画の成功可能性が高いコンテンツに対してより効率的に資金を注ぐことができる。
図１に、本開示の実施形態による、映画成功指数の予測のための例示的な環境を示す。図１には、ネットワーク環境１００を示す。ネットワーク環境１００は、情報処理装置１０２と、ユーザ装置１０４と、サーバ１０６と、通信ネットワーク１０８とを含むことができる。図１には、例えば情報処理装置１０２上のソフトウェアアプリケーションの一部として展開できる機械学習（ＭＬ）モデル１１０をさらに示す。
情報処理装置１０２は、映画の映画脚本に基づいて映画成功指数を予測するように構成できる好適なロジック、制御回路及びインターフェイスを含むことができる。少なくとも１つの実施形態では、情報処理装置１０２を、情報処理装置１０２の動作を実行するように集合的に機能できる分散型クラウドサーバのネットワークとして実装することができる。或いは、情報処理装置１０２は、成功指数を予測するための命令又はプログラムコードを記憶できる消費者電子装置とすることもできる。情報処理装置１０２の例としては、以下に限定するわけではないが、コンピュータワークステーション、モバイル装置、タブレット、デスクトップコンピュータ、ラップトップ、メインフレームマシン、クラウドサーバなどのサーバ、サーバ群、又はテキスト処理能力を有するいずれかのコンピュータ装置又は消費者電子装置を挙げることができる。
ユーザ装置１０４は、情報処理装置１０２との間で映画脚本を共有するように構成できる好適なロジック、回路及びインターフェイスを含むことができる。いくつかの事例では、ユーザ装置１０４が、映画脚本の共有に基づいて、製作される映画の予測成功指数を受け取るための要求を提供することができる。ユーザ装置１０４の例としては、以下に限定するわけではないが、携帯電話機、ラップトップ、タブレット、ゲーム装置、メインフレームマシン、サーバ、コンピュータワークステーション、及び／又は他のいずれかの消費者電子（ＣＥ）装置を挙げることができる。
サーバ１０６は、過去の映画データベースを記憶するように構成できる好適なロジック、回路及びインターフェイスを含むことができる。少なくとも１つの実施形態では、サーバ１０６が、映画成功指数を予測するために後で使用できるＭＬモデル１１０を記憶することもできる。サーバ１０６は、ウェブアプリケーション、クラウドアプリケーション、ＨＴＴＰ要求、リポジトリ動作及びファイル転送などを通じて動作を実行できるクラウドサーバとして実装することができる。サーバ１０６の他の例としては、以下に限定するわけではないが、サードパーティサーバ、データベースサーバ、ファイルサーバ、ウェブサーバ、メディアサーバ、アプリケーションサーバ、メインフレームサーバ、クラウドサーバ、又は他のタイプのサーバを挙げることができる。少なくとも１つの実施形態では、サーバ１０６を、当業者に周知の複数の技術を使用する複数の分散型クラウドベースリソースとして実装することができる。当業者であれば、本開示の範囲は２つの別個のエンティティとしてのサーバ１０６及び情報処理装置１０２の実装に限定されるものではないと理解するであろう。いくつかの実施形態では、本開示の範囲から逸脱することなく、サーバ１０６の機能を全体的に又は少なくとも部分的に情報処理装置１０２に組み込むことができる。
通信ネットワーク１０８は、情報処理装置１０２、ユーザ装置１０４及びサーバ１０６が互いに通信できるようにする通信媒体を含むことができる。通信ネットワーク１０８は、有線又は無線通信ネットワークとすることができる。通信ネットワーク１０８の例としては、以下に限定するわけではないが、インターネット、クラウドネットワーク、無線フィデリティ（Ｗｉ－Ｆｉ）ネットワーク、パーソナルエリアネットワーク（ＰＡＮ）、ローカルエリアネットワーク（ＬＡＮ）、又はメトロポリタンエリアネットワーク（ＭＡＮ）を挙げることができる。ネットワーク環境１００内の様々な装置は、様々な有線及び無線通信プロトコルに従って通信ネットワーク１０８に接続するように構成することができる。このような有線及び無線通信プロトコルの例としては、以下に限定するわけではないが、伝送制御プロトコル及びインターネットプロトコル（ＴＣＰ／ＩＰ）、ユーザデータグラムプロトコル（ＵＤＰ）、ハイパーテキスト転送プロトコル（ＨＴＴＰ）、ファイル転送プロトコル（ＦＴＰ）、ＺｉｇＢｅｅ、ＥＤＧＥ、ＩＥＥＥ８０２．１１、ライトフィデリティ（Ｌｉ－Ｆｉ）、８０２．１６、ＩＥＥＥ８０２．１１ｓ、ＩＥＥＥ８０２．１１ｇ、マルチホップ通信、無線アクセスポイント（ＡＰ）、装置間通信、セルラー通信プロトコル、及びＢｌｕｅｔｏｏｔｈ（ＢＴ）通信プロトコルのうちの少なくとも１つを挙げることができる。
機械学習（ＭＬ）モデル１１０は、入力データ点と出力ラベルとの間の関係を識別するように訓練できる分類器モデル又はニューラルネットワークモデルとすることができる。ＭＬモデル１１０は、過去の映画データベースの入力データ点について訓練することができ、各入力データ点のスコアを出力することができる。ＭＬモデル１１０は、例えば（単複の）活性化関数、重み数、コスト関数、正則化関数、入力サイズ及び層数などのハイパーパラメータによって定めることができる。ＭＬモデル１１０のハイパーパラメータは調整することができ、重みはＭＬモデル１１０のコスト関数の大域的最小点（ｇｌｏｂａｌ ｍｉｎｉｍａ）に向かって動くように更新することができる。ＭＬモデル１１０は、入力データ点上での数エポックの訓練後に、新たな見えざるデータ点の分類結果を出力するように訓練ことができる。
ＭＬモデル１１０は、例えばソフトウェアコンポーネントとして実装できる電子データを含むことができる。ＭＬモデル１１０は、ライブラリ、外部スクリプト、又は情報処理装置１０２などの処理装置によって実行される他のロジック／命令に依拠することができる。ＭＬモデル１１０は、例えば映画のシーン又はキャストなどの異なる入力データ点のスコアを計算するための１又は２以上の動作を情報処理装置１０２などのコンピュータ装置が実行することを可能にするコード又はルーチンを含むことができる。これに加えて又はこれに代えて、ＭＬモデル１１０は、プロセッサ、（例えば、１又は２以上の動作を実行し、又は実行を制御する）マイクロプロセッサ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、又は特定用途向け集積回路（ＡＳＩＣ）を含むハードウェアを使用して実装することもできる。或いは、いくつかの実施形態では、ハードウェアとソフトウェアとの組み合わせを使用してＭＬモデル１１０を実装することもできる。ＭＬモデル１１０の例としては、以下に限定するわけではないが、人工ニューラルネットワーク、ディープニューラルネットワーク、ベイズモデル、サポートベクトルマシン及び決定木を挙げることができる。
動作中、映画製作会社は、映画脚本家によって書かれた映画脚本を受け取ることができる。映画脚本は、例えばシーンのテキスト記述、シーン撮影地、台詞、キャラクタ名、ト書き（ｓｔａｇｅ ｄｉｒｅｃｔｉｏｎ）、登場人物の行動などを含むことができる。映画製作会社は、映画脚本に基づいて製作される映画の成功指数を予測することに関心を示すことがある。本明細書における成功指数は、興行面での映画の業績の可能性又は尤度を示すことができる情報（例えば、０～１の段階の数字）を含むことができる。
映画脚本は、ユーザ装置１０４上に記憶することができる。ユーザ装置１０４は、受け取られた映画脚本を、通信ネットワーク１０８を介して情報処理装置１０２に送信することができる。いくつかの実施形態では、情報処理装置１０２が、ユーザ装置１０４のウェブクライアント（例えば、ウェブブラウザ）を介してアクセスできるウェブアプリケーションをホストすることができる。ユーザは、ユーザ装置１０４のウェブクライアントを介して映画脚本をウェブアプリケーションにアップロードすることができる。
情報処理装置１０２は、ユーザ装置１０４から映画脚本を受け取ることができる。映画脚本は、製作される映画に関連することができる。情報処理装置１０２は、映画脚本のテキスト分析に基づいて映画脚本内の複数のシーンを識別することができる。例えば、テキスト分析は、映画脚本のテキストをスクレイピングして文章／単語のトークン化、正規化動作（例えば、語幹処理及び単語への見出語化）、又はフィルタリング（例えば、ストップワードの除去）などの事前処理動作を実行する自然言語処理（ＮＬＰ）機能のアプリケーションを含むことができるテキストマイニング動作を含むことができる。テキストマイニング動作は、ベクトル化、意味的文脈解析、単語クラスタリング、品詞（Ｐａｒｔ－ｏｆ－Ｓｐｅｅｃｈ：ＰｏＳ）タグ付け及び／又はその他の関連動作などの動作を含むこともできる。
情報処理装置１０２は、識別された複数のシーンの各シーンのジャンル情報を決定することができる。ジャンル情報は、例えば識別された複数のシーンの各シーンのジャンルタイプを含むことができる。ジャンルタイプは、特定の映画タイプ、シーンタイプ、又はその他の芸術形式に関連するタグに対応することができる。ジャンルタイプの共通例としては、以下に限定するわけではないが、アクション、アドベンチャー、アニメーション、コメディ、法廷、犯罪、叙事詩、エロティカ、ファンタジー、フィルムノワール、歴史、ホラー、ミステリー、哲学、政治、宗教、ロマンス、英雄伝、風刺、空想科学、実生活の一片、スパイ、超自然、スリラー、都会、戦争及び伝記を挙げることができる。これに加えて又はこれに代えて、いくつかの実施形態では、全ての識別されたシーンのジャンルタイプを決定するために、映画脚本から筋書きタイプ（例えば、喜劇、悲劇、スーパーヒーロー、アドベンチャーなど）、ドラマシチュエーション（例えば、災害、反乱、恋愛犯罪、悔恨など）、ストーリータイプ（例えば、アクション、アニメーション、伝記、喜劇、犯罪、ファンタジーなど）、及び／又はテーマ（例えば、贖罪、復活、無垢、嫉妬、犠牲など）などの粒度の細かなタグを導出することもできる。
情報処理装置１０２は、識別された複数のシーンの各シーンについて、複数のシーンの識別されたジャンル情報に基づいて第１のスコアを計算することができる。第１のスコアは、各シーンのジャンル別重みスコアとすることができ、従って全てのシーンについて計算することができる。例えば、映画脚本内の全てのシーンは、文脈、予想される感情的反応及び映画の筋書きに関連することができ、映画脚本の（単複の）特定のキャラクタを含むことができる。従って、映画脚本のシーンの第１のスコアは、映画の潜在的成功因子としてのシーンの重要度を示すことができる。
情報処理装置１０２は、映画脚本のテキスト分析にさらに基づいて、映画脚本内のキャラクタリストを識別することができる。情報処理装置１０２は、過去の映画データベースに基づいて、識別された複数のキャラクタリストの各キャラクタの役柄演技（ｒｏｌｅｐｌａｙ）のための俳優を選択する。例えば、過去の映画データベースは、俳優のプロファイルと、その俳優の過去の役柄／ジャンルでの演技スキル、経験及び／又は成功に基づいてこのような俳優に最も適していると考えられる関連する役柄／ジャンルとを含む。過去の映画データベース内の全ての俳優には、異なるジャンル／映画の役柄についての俳優の適合性を示すことができる０～１などのスコア又はインデックスを割り当てることができる。
情報処理装置１０２は、過去の映画データベースのデータ点について訓練できるＭＬモデル１１０に基づいて、役柄演技のために選択された全ての俳優の第２のスコアを計算することができる。例えば、データ点は、異なるジャンル／役柄に対して指定された俳優リストの各俳優及び／又は（監督などの）各クルーメンバの格付けを含むことができる。情報処理装置１０２は、ＭＬモデル１１０の出力に基づいて各俳優及び／又は各クルーメンバの第２のスコアを決定するように構成することができる。第２のスコアの計算方法については、例えば図４で詳細に説明する。
情報処理装置１０２は、識別された複数のシーンの各シーンについて計算された第１のスコア、及び役柄演技のために選択された全ての俳優について計算された第２のスコアに基づいて映画成功指数を計算することができる。情報処理装置１０２の動作の詳細については、例えば図３、図４及び図５にさらに示す。
図２は、本開示の実施形態による、映画成功指数の予測のための例示的な情報処理装置を示すブロック図である。図２の説明は、図１の要素に関連して行う。図２には、情報処理装置１０２のブロック図２００を示す。情報処理装置１０２は、映画成功指数の予測に関連する動作を実行できる回路２０２を含むことができる。情報処理装置１０２は、メモリ２０４、入力／出力（Ｉ／Ｏ）装置２０６、及びネットワークインターフェイス２０８をさらに含むことができる。回路２０２は、メモリ２０４、Ｉ／Ｏ装置２０６、及びネットワークインターフェイス２０８に通信可能に結合することができる。
回路２０２は、情報処理装置１０２によって実行される異なる動作に関連するプログラム命令を実行するように構成できる好適なロジック、回路及びインターフェイスを含むことができる。例えば、いくつかの動作は、映画脚本内のシーン及びキャラクタリストの識別、シーンのスコア計算、キャラクタリストの役柄演技のための俳優の選択、選択された俳優のスコア計算、並びにシーン及び選択された俳優の計算されたスコアに基づく映画成功指数の予測を含むことができる。回路２０２は、１又は２以上の専用処理装置を含むことができる。１又は２以上の専用処理装置は、１又は２以上の専用処理装置の機能を集合的に実行する統合プロセッサ又はプロセッサ群として実装することができる。回路２０２は、当業で周知の複数のプロセッサ技術に基づいて実装することができる。回路２０２の実装例としては、以下に限定するわけではないが、ｘ８６ベースのプロセッサ、グラフィックプロセッシングユニット（ＧＰＵ）、縮小命令セットコンピューティング（ＲＩＳＣ）プロセッサ、特定用途向け集積回路（ＡＳＩＣ）プロセッサ、複合命令セットコンピューティング（ＣＩＳＣ）プロセッサ、コプロセッサ、マイクロコントローラ、中央処理装置（ＣＰＵ）、及び／又はこれらの組み合わせを挙げることができる。
メモリ２０４は、回路２０２によって実行されるプログラム命令を記憶するように構成できる好適なロジック、回路及びインターフェイスを含むことができる。また、メモリ２０４は、映画脚本、ＭＬモデル１１０、中間結果、又は回路２０２によって実行される異なる動作に関連する最終予測／結果を記憶するように構成することもできる。メモリ２０４の実装例としては、以下に限定するわけではないが、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、電子的に消去可能なプログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、ハードディスクドライブ（ＨＤＤ）、固体ドライブ（ＳＳＤ）、ＣＰＵキャッシュ、及び／又はセキュアデジタル（ＳＤ）カードを挙げることができる。
Ｉ／Ｏ装置２０６は、入力を受け取り、受け取られた入力に基づいて出力を提供するように構成できる好適なロジック、回路及びインターフェイスを含むことができる。様々な入力及び出力装置を含むことができるＩ／Ｏ装置２０６は、回路２０２と通信するように構成することができる。Ｉ／Ｏ装置２０６の例としては、以下に限定するわけではないが、タッチ画面、キーボード、マウス、ジョイスティック、マイク、ディスプレイ装置及びスピーカを挙げることができる。
ネットワークインターフェイス２０８は、通信ネットワーク１０８を介して回路２０２、ユーザ装置１０４及びサーバ１０６間の通信を容易にするように構成できる好適なロジック、回路及びインターフェイスを含むことができる。ネットワークインターフェイス２０８は、情報処理装置１０２と通信ネットワーク１０８との有線又は無線通信をサポートする様々な既知の技術を使用して実装することができる。ネットワークインターフェイス２０８は、以下に限定するわけではないが、アンテナ、無線周波数（ＲＦ）トランシーバ、１又は２以上の増幅器、チューナ、１又は２以上の発振器、デジタルシグナルプロセッサ、コーダ－デコーダ（ＣＯＤＥＣ）チップセット、加入者アイデンティティモジュール（ＳＩＭ）カード、又はローカルバッファ回路を含むことができる。
ネットワークインターフェイス２０８は、インターネット、イントラネットなどの有線又は無線通信ネットワーク、或いは携帯電話ネットワーク、無線ローカルエリアネットワーク（ＬＡＮ）及びメトロポリタンエリアネットワーク（ＭＡＮ）などの無線ネットワークを介した通信を容易にするように構成することができる。無線通信は、グローバルシステムフォーモバイルコミュニケーション（ＧＳＭ）、拡張データＧＳＭ環境（ＥＤＧＥ）、広帯域符号分割多重接続（Ｗ－ＣＤＭＡ）、ロングタームエボリューション（ＬＴＥ）、符号分割多重接続（ＣＤＭＡ）、時分割多重接続（ＴＤＭＡ）、Ｂｌｕｅｔｏｏｔｈ、（ＩＥＥＥ８０２．１１ａ、ＩＥＥＥ８０２．１１ｂ、ＩＥＥＥ８０２．１１ｇ又はＩＥＥＥ８０２．１１ｎなどの）無線フィデリティ（Ｗｉ－Ｆｉ）、ボイスオーバインターネットプロトコル（ＶｏＩＰ）、ライトフィデリティ（Ｌｉ－Ｆｉ）、ワールドワイドインターオペラビリティフォーマイクロウェーブアクセス（Ｗｉ－ＭＡＸ）、電子メール用プロトコル、インスタントメッセージング及びショートメッセージサービス（ＳＭＳ）などの複数の通信規格、プロトコル及び技術のうちの１つ又は２つ以上を使用するように構成することができる。
図１に示すような情報処理装置１０２によって実行される機能又は動作は、回路２０２によって実行することができる。回路２０２によって実行される動作については、例えば図３、図４及び図５で詳細に説明する。
図３は、本開示の実施形態による、映画脚本の一部を示す図である。図３の説明は、図１及び図２の要素に関連して行う。図３には、いくつかの映画シーンを製作できる基となる映画脚本のページ３００を示す。ページ３００は、映画脚本の１又は２以上のシーンの台詞及び指示を含む。映画脚本は、典型的にはシーン、キャラクタ、行為又はストーリー内のキャラクタ間の台詞／会話を記述するために必要な聴覚的、視覚的、行動的又は言語的要素を介してストーリーの概要を示すテキストベースの文書とすることができる。
映画脚本は、映画脚本家が書くことができ、映画製作会社が映画脚本家から受け取ることができる。映画製作会社は、映画脚本に基づいて映画成功指数を予測することに関心を示すことがある。映画成功指数は、その映画脚本に基づいて製作された映画が興行面で（例えば、映画格付け面又は収益面で）どのような成果を上げるか、或いは特定の人口グループ又は人口動態区分内でのその映画の潜在的人気の尺度を決定することができる。
情報処理装置１０２は、映画脚本のテキスト分析を実行するために、１又は２以上の自然言語処理（ＮＬＰ）法、特にＭＬアルゴリズムに依拠する統計的ＮＬＰ法を実行して映画脚本のテキストをマイニングし、マイニングされたテキストからキー特徴を抽出することができる。例えば、いくつかのキー特徴は、シーン、キャラクタリスト、主人公、シーン撮影地、及びシーン別ジャンルなどを含むことができる。
図示のように、映画脚本のページ３００は、３つのシーン、すなわち第１のシーン３０２Ａ、第２のシーン３０２Ｂ及び第３のシーン３０２Ｃを含む。第１のシーン３０２Ａは、シーン表題３０４Ａ「屋外：グッゲンハイム美術館－夜（ＥＸＴ．ＧＵＧＧＥＮＨＥＩＭ ＭＵＳＥＵＭ－－ＮＩＧＨＴ）」から開始され、ここでの「屋外（ＥＸＴ．）」は、第１のシーン３０２Ａの舞台が外部環境であることを暗示することができる。「グッゲンハイム美術館」は第１のシーン３０２Ａの撮影地とすることができ、「夜」は第１のシーン３０２Ａの時刻を示すことができる。第２のシーン３０２Ｂは、シーンスポット（「グッゲンハイム美術館」の「屋根（ＲＯＯＦ）」）にも言及していることを除き、第１のシーン３０２Ａと同じシーンとすることができる。同様に、第３のシーン３０２Ｃのシーン表題３０４Ｂでは、「屋内（ＩＮＴ．）」が室内又は屋内環境に対応することができる。第３のシーン３０２Ｃは、夜間の何らかの時点に取調室内で撮影されていると想像することができる。
限定ではなく一例として、情報処理装置１０２は、映画脚本のページ３００上の第１のシーン３０２Ａ、第２のシーン３０２Ｂ及び第３のシーン３０２Ｃを識別することができる。このようなシーンは、シナリオ用語に基づいて識別することができる。例えば、各シーンは、簡潔な場所の記述及びシーンの時刻に対応できるシーン表題から開始することができる。また、第２のシーン３０２Ｂと第３のシーン３０２Ｃとの間の「～への場面変更（ＣＵＴ ＴＯ：）」などのキーワードは、ページ３００の次の文章から新たなシーンが開始することを示すことができる。情報処理装置１０２は、シーン表題、キーワード（例えば、屋内（ＩＮＴ．）、屋外（ＥＸＴ．）、～への場面変更（ＣＵＴ ＴＯ）など）又は撮影地マーカに依拠して、映画脚本のページ３００上の第１のシーン３０２Ａ、第２のシーン３０２Ｂ及び第３のシーン３０２Ｃなどのシーンを識別することができる。
情報処理装置１０２は、映画脚本内のキャラクタリストをさらに識別することができる。例えば、第１のシーン３０２Ａには、「Ｅｄｗａｒｄｓ」という名前の第１のキャラクタ３０６Ａ、及び「犯人（Ｐｅｒｐ）」という名前の第２のキャラクタ３０６Ｂが存在する。いくつかの実施形態では、情報処理装置１０２がシーンから文章を選択し、選択された文章の各単語に（品詞）ＰｏＳタグを適用することができる。例えば、第１のシーン３０２Ａでは、「Ｅｄｗａｒｄｓが美術館に駆け寄って周囲の壁に身を乗り出すと、次の瞬間．．．」、及び「犯人が彼をかすめて飛び．．．」という２つの文章が存在する。ここでは、「Ｅｄｗａｒｄｓ」及び「犯人」に、「Ｅｄｗａｒｄｓ」及び「犯人」がいずれも固有名詞（単数形）であることを表すことができる「ＮＮＰ」のＰｏＳタグを割り当てることができる。また、第１のシーン３０２Ａの他の文章内の「彼／彼女」などの人称代名詞に基づいて性別を判定することもできる。
これに加えて又はこれに代えて、いくつかの実施形態では、各シーンを分析して、それぞれのシーン内の台詞／会話及び関連する文章／段落構造に基づいて異なるキャラクタを識別することもできる。例えば、全ての台詞は新たな行から始まり、台詞を喋ることができるキャラクタ名の後に台詞が続くことができる。
情報処理装置１０２は、第２のシーン３０２Ｂを分析して、第２のシーン３０２Ｂのキャラクタが第１のキャラクタ３０６Ａ及び第２のキャラクタ３０６Ｂと同じキャラクタであることを識別することができる。同様に、情報処理装置１０２は、第３のシーン３０２Ｃを分析して、２人の新たなキャラクタ、すなわち第３のキャラクタ３０６Ｃ及び第４のキャラクタ３０６Ｄを識別することができる。第３のキャラクタ３０６Ｃは「警部（ＰＯＬＩＣＥ ＩＮＳＰＥＣＴＯＲ）」とすることができ、第４のキャラクタ３０６Ｄは「制服姿の巡査部長（ＵＮＩＦＯＲＭＥＤ ＳＥＲＧＥＡＮＴ）」とすることができる。同様に、情報処理装置１０２は、映画脚本の全てのページを分析して、キャラクタリスト及び映画の総キャラクタ数を識別することができる。
いくつかの実施形態では、情報処理装置１０２が、識別されたキャラクタリストから１又は２以上の主人公を識別することができる。一例として、情報処理装置１０２は、映画脚本の全てのシーンにおいてキャラクタ名又はキャラクタの台詞が現れる頻度又は総数を求めることができる。キャラクタは、映画脚本のほぼ全てのシーン（例えば、＞８０％）にそのキャラクタ（又はキャラクタ名）が存在し、映画脚本内の他のキャラクタに比べて多くの数の台詞を有することができるとの判定に基づいて主人公として識別することができる。
図４は、本開示の実施形態による、映画成功指数の予測のための例示的な動作を示す図である。図４の説明は、図１、図２及び図３の要素に関連して行う。図４には、ブロック図４００を示す。例示的な動作は４０２～４１０とすることができ、例えば図２の情報処理装置１０２などのいずれかのコンピュータシステムによって実行することができる。
４０２において、データ取得を実行することができる。情報処理装置１０２は、データ取得のために通信ネットワーク１０８を介してソース（例えば、ユーザ装置１０４）から映画脚本４０２Ａを受け取ることができる。いくつかの実施形態では、映画脚本４０２Ａを、サーバ１０６などのウェブベースのソースから通信ネットワーク１０８を介して受け取ることができる。映画脚本４０２Ａは、典型的にはシーン、キャラクタ、行為又はストーリー内のキャラクタ間の台詞／会話を記述するために必要な聴覚的、視覚的、行動的又は言語的要素を介してストーリーの概要を示すテキストベースの文書とすることができる。映画脚本４０２Ａは、映画の台詞及び指示を含むこともできる。
４０４において、テキスト分析を実行することができる。情報処理装置１０２は、映画脚本４０２Ａのテキスト分析を実行することができる。限定ではなく一例として、情報処理装置１０２は、１又は２以上の自然言語処理（ＮＬＰ）法、特にＭＬアルゴリズムに依拠する統計的ＮＬＰ法を実行して映画脚本４０２Ａのテキストをマイニングし、マイニングされたテキストからキー特徴を抽出することができる。図３にも示すように、情報処理装置１０２は、映画脚本４０２Ａのテキスト分析に基づいて、受け取られた映画脚本４０２Ａ内の複数のシーン及び受け取られた映画脚本４０２Ａ内のキャラクタリストを識別することができる。いくつかの実施形態では、情報処理装置１０２が、識別された複数のシーンにわたる識別されたキャラクタリストの分布をさらに識別することができる。例えば、この分布は、映画脚本４０２Ａの各個々のシーンに登場するキャラクタの数及び名前を含むことができる。
これに加えて又はこれに代えて、情報処理装置１０２は、映画脚本４０２Ａのテキスト分析に基づいて、識別された複数のシーンのうちの１又は２以上のシーン内の祝賀イベント又は季節イベントの描写を特定することもできる。例えば、１又は２以上のシーンは、クリスマスパーティ又はハロウィンパーティなどの祝賀イベントを含むことができる。情報処理装置１０２は、特定された祝賀イベント又は季節イベントの描写に基づいて（映画脚本４０２Ａに基づいて製作された場合の）映画の公開日を推定することができる。映画の公開日の推定には、シーンの数、シーン撮影地、予算又は予算制約などの他の因子を考慮することもできる。他の因子の詳細については、簡潔にするために本開示からは省略する。
これに加えて又はこれに代えて、いくつかの実施形態では、情報処理装置１０２が、映画脚本４０２Ａのテキスト分析に基づいて、識別されたキャラクタリスト内の１又は２以上の主人公を識別することができる。例えば、図３でも説明したように、映画脚本４０２Ａの全てのシーンにおけるキャラクタ名又はキャラクタの台詞が現れる頻度又は総数を求めることができる。キャラクタは、映画脚本４０２Ａの閾値数のシーンよりも多く（例えば、＞８０％）にそのキャラクタ（又はキャラクタ名）が存在し、映画脚本４０２Ａ内の他のキャラクタ（例えば、８０％よりも多くのキャラクタ）に比べて多くの数の台詞を有することができるとの判定に基づいて主人公として識別することができる。
これに加えて又はこれに代えて、いくつかの実施形態では、情報処理装置１０２が、映画脚本４０２Ａのテキスト分析に基づいて映画の製作変数セットを識別することもできる。製作変数セットは、例えばシーン撮影地の数、シーンの数及びキャラクタの数などを含むことができる。また、情報処理装置１０２は、映画製作の予算及び撮影期間を特定することもできる。
いくつかの実施形態では、複数のシーン、キャラクタリスト、識別されたキャラクタリストの分布、１又は２以上の主人公、シーン撮影地の数、キャラクタの数、シーンの数、祝賀イベント又は季節イベントの描写及び公開日の推定、又は製作変数セットにスコア付けし、後で映画成功指数の予測のために使用することができる。
４０６において、選択動作を実行することができる。選択動作では、情報処理装置１０２が、映画脚本４０２Ａに基づいて製作される映画のキャスト及びクルーメンバを選択することができる。選択動作は、キャスト選択動作４０６Ａ及びクルー選択動作４０６Ｂを含むことができる。
少なくとも１つの実施形態では、キャスト及びクルーメンバを選択できる前に、例えばサーバ１０６から過去の映画データベース４０６Ｃを検索することができる。過去の映画データベース４０６Ｃは、俳優、監督及びプロデューサなどのクルーメンバ、並びにその過去の映画におけるそれぞれの役割及び異なるジャンルとの関連性に関する情報を含むことができる。過去の映画データベース４０６Ｃは、全ての俳優及び全てのクルーメンバのインデックスを含むこともできる。俳優のインデックスは、特定のジャンルタイプに関連する役柄についての俳優の適合性を示すことができる。例えば、以下の表１に「Ｂｒｕｃｅ」という俳優のインデックスを示すことができる。
Figure 2022533690000002

表１：Ｂｒｕｃｅのインデックス
同様に、以下の表２に「Ｊｏｈｎ」という監督のインデックスを示すことができる。
Figure 2022533690000003

表２：Ｊｏｈｎのインデックス
いくつかの実施形態では、過去の映画データベース４０６Ｃが、過去の映画のシーン、過去の映画の格付け、過去の映画の高ポイント／低ポイント、ソーシャルメディアプラットフォーム上の流行ジャンル／イベントに関する情報を含むこともできる。このようなシーンは、祝賀イベント及び／又は季節イベントに関連するシーンを含むこともできる。また、いくつかの事例では、過去の映画データベース４０６Ｃが、過去の映画の各シーン又は一群のシーンの格付けを含むこともできる。この格付けは複数の視聴者から取得することができ、シーンの承認スコア又は人気尺度を反映することができる。これに加えて又はこれに代えて、いくつかの事例では、過去の映画データベース４０６Ｃが、以前に計算された過去の映画の成功指数を含むこともできる。
４０６Ａにおいて、キャスト選択動作を実行することができる。キャスト選択動作では、情報処理装置１０２が、識別されたキャラクタリストの各キャラクタの役柄演技のための俳優を選択することができる。役柄演技のための俳優は、過去の映画データベース４０６Ｃのデータ点に基づいて選択することができる。いくつかの実施形態では、情報処理装置１０２が、過去の映画データベース４０６Ｃ内で指定された複数のジャンルから映画脚本４０２Ａのジャンルを選択することができる。選択されたジャンルに基づいて過去の映画データベース４０６Ｃをフィルタリングして、選択されたジャンルのインデックスが最大である俳優のリストを抽出することができる。抽出された俳優リストは、識別されたキャラクタリストのうちの少なくとも１つのキャラクタの役柄演技のための潜在的候補とすることができる。例えば、表１のＢｒｕｃｅについては「アクション」ジャンルのインデックスが最大であり、従って映画脚本４０２Ａも「アクション」ジャンルに関連する場合、「Ｂｒｕｃｅ」を映画内の役柄演技のための潜在的候補として識別することができる。
４０６Ｂにおいて、クルー選択動作を実行することができる。クルー選択動作では、情報処理装置１０２が、映画の主要クルーメンバリストを選択することができる。主要クルーメンバリストの選択は、過去の映画データベース４０６Ｃに基づくことができる。主要クルーメンバは、例えば監督、プロデューサ、写真監督、カメラオペレータ、カメラアシスタント、特殊機材スタッフ（ｇｒｉｐｓ）、照明係、ブームオペレータ、美術監督（ｐｒｏｄｕｃｔｉｏｎ ｄｅｓｉｇｎｅｒ）、及び脚本監督などを含むことができる。
いくつかの実施形態では、過去の映画データベース４０６Ｃをフィルタリングして、選択されたジャンルのインデックスが最大であるメンバのリストを抽出することができる。抽出されたメンバリストは、映画製作における映画クルーに関連する少なくとも１つの役割の潜在的候補とすることができる。例えば、表２のＪｏｈｎについては「アクション」ジャンルの指数が最大であり、従って映画脚本４０２Ａも「アクション」ジャンルに関連する場合、Ｊｏｈｎを映画監督の潜在的候補として識別することができる。
例えば、過去の映画データベース４０６Ｃは、（演じる役柄及び製作の役割（例えば、監督、美術、映画撮影など）を含む）映画製作における全ての役割についての少なくとも２又は３以上の俳優又は潜在的クルーメンバのプロファイルセットを含むことができる。情報処理装置１０２は、（アクションなどの）ジャンルに適したプロファイルに絞り込むために、プロファイルセットにジャンルのフィルタを適用して、（アクションなどの）そのジャンルのみに関連するフィルタリング済みプロファイルセットを取得することができる。
４０８において、スコア計算動作を実行することができる。本明細書で説明するように、情報処理装置１０２は、映画脚本４０２Ａのテキスト分析に基づいて識別された様々な詳細に基づいてスコアを計算することができる。その後、計算されたスコアを統一スコアリングモデル（例えば、数学的スコアリング関数）によって使用して映画成功指数を予測することができる。
情報処理装置１０２は、識別された複数のシーンの各シーンの第１のスコアを計算することができる。ここでは、識別された複数のシーンのそれぞれのシーンのジャンル情報に基づいてシーン毎に第１のスコアを計算することができる。ジャンル情報の例としては、以下に限定するわけではないが、超現実、奇想、アクション、アドベンチャー、喜劇、犯罪、ドラマ、ファンタジー、歴史、歴史小説、ホラー、神秘、ミステリー、妄想、フィクション、哲学、政治、ロマンス、英雄伝、風刺、空想科学、社会、推論、スリラー、都会及び西部劇を挙げることができる。情報処理装置１０２は、最初に各シーンのジャンル情報を決定することができ、この決定されたジャンル情報に基づいて、識別された複数のシーンの各シーンの第１のスコアを計算することができる。一例として、例示的な映画脚本の１２０のシーンについての０～１の第１のスコアを含む、正規化されたシーン別スコアグラフ４０６Ｄを示す。ここでは、正規化されたシーン別スコアグラフ４０６Ｄのピークが、映画成功指数の予測における影響力が高い映画脚本の顕著なシーンを示すことができる。同様に、第１のスコアが０又は約０であるシーンは、映画成功指数の予測における影響力が低く又はゼロである。
これに加えて又はこれに代えて、情報処理装置１０２は、映画脚本４０２Ａのテキスト分析に基づいて、識別された複数のシーンにわたる（４０４でも説明したような）識別されたキャラクタセットの分布を識別することもできる。識別された複数のシーンの各シーンの第１のスコアは、識別されたキャラクタセットの分布にさらに基づいて計算することができる。例えば、あるシーンのジャンルが「アクション」として決定され、全ての主人公がそのシーンの一部である場合、このシーンについては、脇役（すなわち、映画の主人公ではないキャラクタ）を含む同じジャンルの別のシーンに比べて高いスコアを計算することができる。
情報処理装置１０２は、映画脚本４０２Ａ内の識別されたキャラクタリストの役柄演技のために選択された（例えば、４０６Ａで選択された）（単複の）俳優の第２のスコアを計算することができる。計算される第２のスコアは、ＭＬモデル４０８Ａに基づいて計算することができ、役柄演技のために選択された（単複の）俳優の適合性を示すことができる。ＭＬモデル４０８Ａは、過去の映画データベース４０６Ｃのデータ点について訓練することができる。例えば、特定の映画ジャンルの出力ラベルとしての俳優名又は俳優ＩＤ及び関連するインデックス値（役柄演技の適合性の尺度）についてＭＬモデル４０８Ａが訓練された場合、選択された（例えば、４０６Ａにおいて選択された）俳優の出力ラベルは、選択された俳優の第２のスコアとすることができる。ＭＬモデル４０８Ａは、図１のＭＬモデル１１０と同じものとすることができる。ＭＬモデル４０８Ａの例示的な実装については、例えば図５で詳細に説明する。
これに加えて又はこれに代えて、情報処理装置１０２は、（４０４においても説明したように）識別された複数のシーンのうちの１又は２以上のシーンにおける祝賀イベント又は季節イベントの描写を特定することができる。情報処理装置１０２は、識別された複数のシーンのうちの１又は２以上のシーンにおける特定された祝賀イベント又は季節イベントの描写の第３のスコアを計算することができる。一例として、第３のスコアを計算するために、過去の映画データベース４０６Ｃに基づいて過去の映画の各シーンのインパクトを測定することができる。祝賀イベント又は季節イベントに基づくシーンが視聴者にとってインパクトが強い又は視聴者を引き付けると考えられる場合、映画成功指数の評価においてこのようなシーンの計算された第３のスコアを考慮することができる。
これに加えて又はこれに代えて、情報処理装置１０２は、製作される映画の推定公開日についての第４のスコアを計算することができる。映画の公開日は、決定された祝賀イベント又は季節イベントの描写に基づいて推定することができる。例えば、映画脚本４０２Ａ内にクリスマスのお祝いに基づくシーンが複数存在する場合には、公開日をクリスマス又は元旦の近く又は当日に設定することができる。公開日を推定するための因子は、例えば予算、製作スケジュール、キャストの利用可能性、シーン撮影地、ソーシャルメディアのトレンド、祭り及び季節的傾向など、他にも存在することができる。いくつかの状況では、推定日が週末に重なる場合、推定日が平日に重なる状況と比べて第４のスコアを高いスコアとして計算することができる。
これに加えて又はこれに代えて、情報処理装置１０２は、主要クルーメンバリスト内の各主要クルーメンバの第５のスコアを計算することができる。主要クルーメンバリストは、４０６Ｂにおいて情報処理装置１０２によって選択することができる。第５のスコアは、対応する主要クルーメンバの映画製作業務についての適合性を示すことができ、ＭＬモデル４０８Ａに基づいて計算することができる。例えば、表２を参照すると、Ｊｏｈｎの高いスコアは映画監督としての適合性を示すことができる。
４１０において、映画成功指数を予測することができる。情報処理装置１０２は、識別された複数のシーンの各シーンの計算された第１のスコアと、映画脚本４０２Ａ内の識別されたキャラクタリストの選択された（単複の）俳優の計算された第２のスコアとに基づいて映画成功指数を予測することができる。これに加えて又はこれに代えて、映画成功指数は、映画脚本４０２Ａの１又は２以上のシーン内の祝賀イベント又は季節イベントの描写についての計算された第３のスコア、推定公開日についての計算された第４のスコア、又は主要クルーメンバリスト内の各主要クルーメンバの計算された第５のスコアにさらに基づいて予測することもできる。
成功指数は、興行面における映画の業績予測とすることができる。この業績は、観客の承認又は人気格付け、（例えば、映画の製作予算に対する利益／損失面での）財務利益及び映画格付けなどの変数の指標とすることができる。例えば、いくつかの事例では、予測される成功指数の値が閾値（例えば、０．７５又は７５％）よりも高い場合、映画製作会社に関連する（単複の）ユーザに映画脚本４０２Ａを推奨することができる。
いくつかの実施形態では、情報処理装置１０２が、映画脚本４０２Ａのテキスト分析に基づいて製作変数セットを識別することができる。製作変数セットは、例えば映画脚本４０２Ａ内のシーンの数、キャラクタの数又はシーン撮影地の数を含むことができる。また、予算又は予算関連の制約及び撮影期間又は製作スケジュールなどの他のデータソースから決定することもできる。情報処理装置１０２は、識別された製作変数セットのための第１の重み、決定された撮影期間のための第２の重み、及び決定された予算のための第３の重みを計算することができる。第１の重み、第２の重み及び第３の重みは、過去の映画データベース４０６Ｃ又はＭＬモデル４０８Ａに基づいて決定することができる。
他のいくつかの実施形態では、情報処理装置１０２が、ユーザのソーシャルメディア活動及び過去の映画でのユーザの過去の活動の分析に基づいて、映画脚本４０２Ａの少なくとも１つのシーンの文脈又はジャンルの人気尺度を推定することができる。情報処理装置１０２は、推定された人気尺度にさらに基づいて映画成功指数を予測することができる。例えば、映画脚本４０２Ａ内の少なくとも５０のシーンが大統領選挙の文脈を有する。ソーシャルメディア動向（例えば、投稿、コメント又はその他のユーザ活動）又はテレビ放送されるメディアプラットフォームに基づいて、大統領選挙の人気尺度を高い（例えば、米国トップ１０トレンディングインターネットトピック）と推定することができ、大統領選挙を映画成功指数の予測における関連因子とみなすことができる。
少なくとも１つの実施形態では、情報処理装置１０２が、計算された第１のスコア、計算された第２のスコア、計算された第３のスコア、計算された第４のスコア、計算された第５のスコア、第１の重み、第２の重み、第３の重み、及び推定された人気尺度に、統一スコアリングモデルを適用することができる。例えば、統一スコアリングモデルは、加算関数（ｓｕｍｍａｔｉｏｎ ｆｕｎｃｔｉｏｎ）及びシグモイド関数を含むことができる。加算関数は、計算されたスコア、重み及び人気尺度の和（例えば、加重和）を出力することができ、シグモイド関数は、出力された和に基づいて映画の予測としての成功指数（例えば、０～１）を出力することができる。なお、加算関数及びシグモイド関数は統一スコアリングモデルの一例として示すものにすぎない。本開示は、その範囲から逸脱することなく、他の数学関数又は（ディープニューラルネットワークなどの）モデルにも適用することができる。
限定ではなく一例として、情報処理装置１０２は、以下のように示す方程式（１）に基づいて成功指数を予測することができる。
Figure 2022533690000004
式中、
ｗ１＝映画脚本４０２Ａのシーン別ジャンルスコアの重みであり、
ｗp＝俳優スコア、監督スコア、季節性及び予算などの各関数パラメータの重みであり、
ｍ＝映画脚本４０２Ａ内のシーン数であり、
ａg＝ジャンルｇのシーンスコアであり、
ｂp＝監督スコアの選択された俳優スコア、季節性及び予算などの関数パラメータｐのスコアであり、
ｎ＝関数パラメータの総数である。
情報処理装置１０２は、これらの重みを各新たな映画脚本について動的に計算することができる。いくつかの事例では、ユーザが、自身の必要性に従って重みパラメータを修正するオプションを有することができる。
ある実施形態によれば、情報処理装置１０２は、予測された成功指数を閾値と比較することができる。予測された成功指数が閾値よりも高い場合、情報処理装置１０２は、選択された主要クルーメンバリストを映画の製作クルーとして推奨することができる。これに加えて又はこれに代えて、情報処理装置１０２は、予測された成功指数が閾値よりも高いとの判定に基づいて、選択された（単複の）俳優を映画の（単複の）出演者として推奨することができる。（単複の）出演者は、受け取られた映画脚本４０２Ａに基づいて製作される映画内での役柄演技に適することができる。いくつかの状況では、情報処理装置１０２が、予測された成功指数が閾値よりも低いとの判定に基づいて、識別されたキャラクタリスト内の各キャラクタの役柄演技のために、過去の映画データベース４０６Ｃから異なる俳優を選択することができる。情報処理装置１０２は、異なる（単複の）俳優の選択に基づいて、４０６～４１０の動作を繰り返し実行して再び映画成功指数を予測することができる。（単複の）俳優及び（単複の）クルーメンバの選択は、予測された成功指数が閾値を上回るまで繰り返しシミュレーションとして実行することができる。予測された成功指数が閾値を上回ると、その映画にとって最適な出演者及びクルーメンバリストを取得することができる。
図５は、本開示の実施形態による、映画成功指数の予測のための例示的な機械学習（ＭＬ）モデルを示す図である。図５の説明は、図１、図２、図３及び図４の要素に関連して行う。図５には、図１のＭＬモデル１１０又は図４のＭＬモデル４０８Ａの例示的な実装としてのディープニューラルネットワーク（ＤＮＮ）５０２の図５００を示す。なお、ＤＮＮ５０２は（特に、層数及びノード数の面で）一例として示すものにすぎず、本開示を限定するものとして解釈すべきはでない。本開示は、その範囲から逸脱することなく、ＤＮＮの（例えば、ノード／層の数の）他の変形例にも適用することができる。
ＤＮＮ５０２は、計算論的ニューラルネットワーク（ｃｏｍｐｕｔａｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）又は人工神経システム（ｓｙｓｔｅｍ ｏｆ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒｏｎｓ）と呼ぶことができ、ＤＮＮ５０２の各層は、ノード５０４としての人工神経を含むことができる。ＤＮＮ５０２は、入力層５０６、１又は２以上の隠れ層（第１の中間層５０８及び第２の中間層５１０、まとめて中間層５１２と呼ぶ）及び出力層５１４などの複数の層を含むことができる。
入力層５０６は、第１のノード５０６Ａ、第２のノード５０６Ｂ、第３のノード５０６Ｃ及び第４のノード５０６Ｄを含むことができる。入力層５０６の第１のノード５０６Ａは、ジャンル情報に関連することができ、入力層５０６の第２のノード５０６Ｂは、識別されたキャラクタリストに関連することができ、入力層５０６の第３のノード５０６Ｃは、識別された複数のシーンに関連することができ、入力層５０６の第４のノード５０６Ｄは、推定映画公開日に関連することができる。
第１の中間層５０８は、第１のノード５０８Ａ、第２のノード５０８Ｂ、第３のノード５０８Ｃ及び第４のノード５０８Ｄを含むことができる。第１の中間層５０８の第１のノード５０８Ａは、映画脚本のキャラクタの数に関連することができ、第１の中間層５０８の第２のノード５０８Ｂは、映画脚本内の祝賀又は季節イベントの描写に関連することができ、第１の中間層５０８の第３のノード５０８Ｃは、映画の撮影期間に関連することができ、第１の中間層５０８の第４のノード５０８Ｄは、映画の予算に関連することができる。同様に、第２の中間層５１０は、第１のノード５１０Ａ及び第２のノード５１０Ｂを含むことができる。第２の中間層５１０の第１のノード５１０Ａは、スコア（例えば、図４の４０８においても計算される第１のスコア、第２のスコア又はその他のスコア）に関連することができる。第２の中間層５１０の第２のノード５１０Ｂは、重み（例えば、４１０においても計算される第１の重み、第２の重み及び第３の重み）に関連することができる。出力層５１４は、第１のノード５１０Ａに関連するスコア及び第２のノード５１０Ｂに関連する重みに基づいて、例えば０～１の予測値として映画成功指数を出力できる出力ノード５１４Ａを含むことができる。
ＤＮＮ５０２内の全てのノード５０４の出力は、ＤＮＮ５０２の（単複の）先行又は後続する層の少なくとも１つのノードに結合することができる。同様に、ＤＮＮ５０２内の全てのノード５０４の入力も、ＤＮＮ５０２の（単複の）先行又は後続する層の少なくとも１つのノードに結合することができる。ＤＮＮ５０２の出力層５１４の（単複の）ノードは、少なくとも１つの先行する層から入力を受け取ることができる。層の数及び各層のノード５０４の数は、ネットワークトポロジー及びＤＮＮ５０２の特定のハイパーパラメータから決定することができる。このようなハイパーパラメータは、過去の映画データベースのデータ点に基づいて構築された訓練データセットについてのＤＮＮ５０２の訓練前又は訓練中に設定することができる。
ＤＮＮ５０２の各ノードは、ＤＮＮ５０２の訓練中に調整可能なパラメータセットを含む数学関数に対応することができる。これらのパラメータは、例えば重みパラメータ及び正則化パラメータなどを含むことができる。各ノードは、数学関数を使用して、ＤＮＮ５０２の他の（単複の）層（例えば、（単複の）先行する層）のノードからの１又は２以上の入力に基づいて出力を計算することができる。図１には、ＤＮＮ５０２の単純化した例を示す。ＤＮＮ５０２の他の例としては、以下に限定するわけではないが、回帰型ニューラルネットワーク（ＲＮＮ）、畳み込みニューラルネットワーク（ＣＮＮ）－回帰型ニューラルネットワーク（ＣＮＮ－ＲＮＮ）、人工ニューラルネットワーク（ＡＮＮ）、長短期メモリ（ＬＳＴＭ）ネットワーク、ＣＮＮ＋ＡＮＮ、ＬＳＴＭ＋ＡＮＮ、ゲート付き回帰型ユニット（ＧＲＵ）ベースのＲＮＮ、完全接続ネットワーク、Ｃｏｎｎｅｃｔｉｏｎｉｓｔ Ｔｅｍｐｏｒａｌ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ（ＣＴＣ）ベースのＲＮＮ、及び／又はこれらのネットワークの組み合わせを挙げることができる。いくつかの実施形態では、ＤＮＮ５０２が、複数のＤＮＮのハイブリッド構造に基づくことができる。
ＤＮＮ５０２は、例えばソフトウェアプログラムのソフトウェアコンポーネントとして実装できる電子データを含むことができる。ＤＮＮ５０２は、ライブラリ、外部スクリプト、又は情報処理装置１０２などの処理装置によって実行されるその他のロジック／命令に依拠することができる。これに加えて又はこれに代えて、ＤＮＮ５０２は、プロセッサ、（例えば、１又は２以上の動作を実行する又は実行を制御する）マイクロプロセッサ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、又は特定用途向け集積回路（ＡＳＩＣ）などのハードウェアを使用して実装することもできる。いくつかの実施形態では、ハードウェア及びソフトウェアプログラムの両方の組み合わせを使用してＤＮＮ５０２を実装することができる。
情報処理装置１０２は、ＤＮＮ５０２の入力層５０６にデータセットを入力することができる。具体的には、このデータセットは、入力層５０６の第１のノード５０６Ａ、第２のノード５０６Ｂ、第３のノード５０６Ｃ及び第４のノード５０６Ｄに入力として提供することができる。このデータセットは、例えば映画脚本の複数のシーンに関連するジャンル情報、映画脚本の識別されたキャラクタリスト、映画脚本の識別された複数のシーン、及び映画の公開日を含むことができる。入力層５０６の出力は、第１の中間層５０８に重み付き入力として提供することができる。第１の中間層５０８の第１のノード５０８Ａ、第２のノード５０８Ｂ、第３のノード５０８Ｃ及び第４のノード５０８Ｄは、入力層５０６からの重み付き入力に基づいて、映画脚本内のキャラクタの数を識別し、祝賀イベント又は季節イベントに関連するシーンを識別し、映画の撮影期間及び映画の予算をそれぞれ推定することができる。
第２の中間層５１０の第１のノード５１０Ａは、識別された複数のシーンの各シーンの第１のスコア、及び映画脚本内の識別されたキャラクタリストの役柄演技のために選択された（単複の）俳優の第２のスコアなどのスコアを計算することができる。これに加えて又はこれに代えて、いくつかの実施形態では、第２の中間層５１０の他のノード（図示せず）が、映画脚本のシーン内の祝賀又は季節イベントの描写についての第３のスコア、推定公開日についての第４のスコア、及び主要クルーメンバリスト内の各主要クルーメンバの第５のスコアを計算することもできる。ＤＮＮ５０２の第２の中間層５１０の第２のノード５１０Ｂは、製作変数セットのための第１の重み、映画撮影期間のための第２の重み、映画予算のための第３の重みなどの重みを計算することができる。
出力層５１４の出力ノード５１４Ａは、計算されたスコア（第１、第２、第３、第４又は第５のスコア）及び／又は重み（第１、第２又は第３の重み）を入力として受け取ることができる。出力層５１４の出力ノード５１４Ａは、映画脚本の予測としての成功指数を計算する活性化関数／スコアリング関数を含むことができる。限定ではなく一例として、出力ノード５１４Ａは、計算されたスコア及び計算された重みの加重平均を計算して映画成功指数を出力することができる。限定ではなく一例として、ＤＮＮ５０２の出力層５１４の出力ノード５１４Ａは、計算されたスコア及び／又は重みにシグモイド活性化（ｓｉｇｍｏｉｄ ａｃｔｉｖａｔｉｏｎ）を適用して映画成功指数を出力することができる。
なお、加重平均及びシグモイド活性化は一例として示すものにすぎず、本開示は、その範囲から逸脱することなく、成功指数を予測する他のスコアリング関数にも適用可能である。
図６は、本開示の実施形態による、音調メトリック（ｔｏｎａｌ ｍｅｔｒｉｃｓ）に基づく映画成功指数の予測のための例示的な動作を示す図である。図６の説明は、図１、図２、図３、図４及び図５の要素に関連して行う。図６には、ブロック図６００を示す。例示的な動作は６０２～６０６とすることができ、図２の情報処理装置１０２などのいずれかのコンピュータシステムによって実行することができる。
６０２において、映画脚本６０２Ａから音調特徴セットを抽出することができる。１つの実施形態では、情報処理装置１０２が、映画脚本６０２Ａのテキスト分析に基づいて音調セットを抽出することができる。音調特徴セットは、映画製作段階中に台詞を伝達できる方法を表すことができる。抽出される音調特徴セットは、映画脚本６０２Ａ内のナレーション又はキャラクタの状態、テキストの大文字表記、感嘆詞、リズム、口調又は抑揚のうちの１つ又は２つ以上に対応することができる。映画の筋のテキスト表現である映画脚本６０２Ａでは、単語、親和性、反復性、言葉のやりとり及びその文脈の選択が、調性又は音調特徴を定めることができる。一方で、実際の映画では、俳優の顔表情、ボディランゲージ、声の変調、台詞の伝達及び抑揚が組み合わさって、映画内の全体的意味合いに寄与することができる。音調の微妙な違いは、視聴者が映画内のシーンをどのように感じるかに劇的な影響を及ぼすことができる。例えば、喜劇のキャラクタは、わずかな変化を除いて同様の音調を維持すべきである。音調に変動及び揺らぎが多すぎると、聴衆を不快にさせて映画の成功に影響を及ぼす恐れがある。
通常、音調特徴は、俳優が映画脚本のキャラクタを演じている映画製作段階で決定することができる。しかしながら、映画脚本は、実際に音調特徴を識別するニュアンスも含む。映画脚本の語り口は、キャラクタが台詞をどのように伝えるかを定めるのに役立つことができる。ナレーションの一例として、以下のような映画脚本６０２Ａの一部を示す。
ＢＵＲＴ：私が自転車で走っているとその白い服の女の子はいつも私を見るの。
ＪＥＮＮＹ：それはあなたが怪しいストーカーのようにその子を見るからよ。
折しも２人の隣にＶｉｃｋｙがドスンと座る。
彼は笑いをこらえている。２人はけげんそうに彼を見る。
この部分では、「彼は笑いをこらえている。２人はけげんそうに彼を見る。」というナレーションを分析して、台詞が提示される前の「Ｖｉｃｋｙ」というキャラクタの状態を抽出することができる。別のナレーションの例として、映画脚本６０２Ａは、「オリジナルの台詞内で俳優の発声法が「ｇ」の音を３回打つ－ユーモラスな反復されるちょっとした頭韻法」というテキスト部分を含むことができる。このテキスト部分を分析して、台詞の前のキャラクタの状態を抽出することができる。このテキスト部分からは、ボディランゲージを抽出することもできる。別の例として、映画脚本６０２Ａは以下のようなテキスト部分を含むことができる。
「ＩＮＨＩ：おばあさん、私が何をしても勝手でしょ？（Ｏｌｄ ｌａｄｙ， ｗｈａｔ ｄｏ ｙｏｕ ｃａｒｅ ＷＨＡＴ Ｉ ｄｏ？）
ＨＡＧ：おや、じゃ私が何を気にしても勝手だろ？（Ｏｈ， ａｎｄ ｗｈａｔ ｄｏ ＹＯＵ ｃａｒｅ ｗｈａｔ Ｉ ｃａｒｅ？）」
情報処理装置１０２は、映画脚本６０２Ａのテキスト部分のテキスト分析に基づいて、大文字テキスト（「ＷＨＡＴ」、「ＹＯＵ」）、感嘆詞、リズム、口調又は抑揚を含む第１の音調特徴セットを抽出することができる。
６０４において、複数の音調メトリックを計算することができる。複数の音調メトリックは、第１の音調メトリック、第２の音調メトリック及び第３の音調メトリックを含むことができる。情報処理装置１０２は、映画脚本６０２Ａの複数のシーンを識別し、抽出された音調特徴セットに基づいて、識別された複数のシーンの各シーンの第１の音調メトリックを計算することができる。第１のグラフ６０４Ａに、約１００個のシーンについてのコンピュータ音調メトリックの例を示す。第１のグラフ６０４Ａでは、各曲線が、映画脚本６０２Ａの約１００個のシーンについての特定の音調レベル（罪悪感、喜び、悲しみ、恥辱、嫌悪、怒り及び恐怖のうちの１つ）の変動を示す。それぞれの音調レベルに関連する曲線のピークによって示すように、シーン毎にこれらの音調レベルのうちの１つが優勢になることができる。
情報処理装置１０２は、映画脚本６０２Ａ内のキャラクタリストを識別し、識別されたキャラクタリストの第１のキャラクタの第２の音調メトリックを計算することができる。第２の音調メトリックは、第１のキャラクタについて、映画脚本６０２Ａの識別された複数のシーン全体を通じた第１のキャラクタの役柄に関連する音調レベルの変動を示すことができる。これらの音調レベルは、罪悪感、喜び、悲しみ、恥辱、嫌悪、怒り及び恐怖のうちの１つ又は２つ以上を含むことができる。第２のグラフ６０４Ｂに、「天使」、「ドライバー」、「支配者（Ｌｏｒｄ）」及び「密告者（Ｗｅａｓｅｌ）」という４つのキャラクタの計算された第２の音調メトリックの例を表示する。第２のグラフ６０４Ｂは、これらの４つの各キャラクタの罪悪感、喜び、悲しみ、恥辱、嫌悪、怒り及び恐怖などの音調レベルの変動を示すことができる。
情報処理装置１０２は、映画脚本６０２Ａの音調レベルの変動に対応する第３の音調メトリックをさらに計算することができる。第３の音調メトリックは、映画脚本６０２Ａの全長にわたるものとすることができ、映画脚本６０２Ａ内の全ての台詞の音調を決定することができる。
６０６において、映画脚本６０２Ａに基づいて製作される映画の成功指数を予測することができる。成功指数は、計算された第１の音調メトリック、計算された第２の音調メトリック、又は計算された第３の音調メトリックに基づいて予測することができる。例えば、計算された第１の音調メトリック、計算された第２の音調メトリック又は計算された第３の音調メトリックの各々を正規化し、シグモイド関数に受け渡して、正規化された音調スコアを取得することができる。この正規化された音調スコアを（図４及び図５に示すような）残りの様々な関数パラメータのスコア及び重みと組み合わせて成功指数を予測することができる。
いくつかの実施形態では、第１の音調メトリック、第２の音調メトリック及び第３の音調メトリックと、第１のスコア（すなわち、図４で説明したようなシーン毎のジャンルスコア）、第２のスコア（図４で説明したようなキャラクタ／キャストスコア）、（図４で説明したようなシーン内の祝賀エベント又は季節インベントの描写についての）第３のスコア、（推定公開日についての）第４のスコア及び第５のスコア（映画製作の仕事に対する対応する主要クルーメンバの適合性）のうちの１つ又は２つ以上との組み合わせに基づいて映画成功指数を予測することができる。
図７は、本開示の実施形態による、映画脚本の２又は３以上のバージョンの比較のための業界別基準モデルを生成する例示的な動作を示すブロック図である。図７の説明は、図１、図２、図３、図４、図５及び図６の要素に関連して行う。図７には、ブロック図７００を示す。７０２～７２６の動作は、情報処理装置１０２上で実行することができる。動作は、７０２から開始して７０４に進むことができる。
７０４において、（過去の映画データベース４０６Ｃなどの）過去の映画データベースを検索して選択することができる。その後に、過去の映画データベースからスコアリング情報を抽出することができる。抽出されたスコアリング情報は、複数の過去の映画の各過去の映画成功指数を含むことができる。いくつかの実施形態では、スコアリング情報が、特定の映画に関連する複数のジャンルの各々に対応するスコアを含むことができる。
７０６において、抽出されたスコアリング情報内のそれぞれの成功指数に基づいて、複数の過去の映画の各過去の映画の第１のジャンル別スコアセットを決定することができる。第１のジャンル別スコアセットは、映画の複数のジャンルのスコアとすることができる。例えば、以下の表３に、「アルファ」、「ベータ」、「ガンマ」及び「シータ」という４つの過去の映画の第１のジャンル別スコアセットを示す。
Figure 2022533690000005

表３：過去の映画の第１のジャンル別スコアセット
７０８において、決定された第１のジャンル別スコアセットを複数の過去の映画の各々について正規化して正規化スコアセットを生成することができる。例えば、決定された第１のジャンル別スコアセットにシグモイド関数を適用して正規化スコアセットを生成することができる。生成された正規化スコアセットの各々は、０～１の間に存在することができる。
７１０において、複数の過去の映画の各々のソーシャルメディアフットプリントを含む統計情報を収集することができる。ソーシャルメディアフットプリントの例としては、以下に限定するわけではないが、過去の映画に関連する投稿に対するいいね又はコメントの数、（例えば、顔文字又はコメントを通じた）心情価又は感情価、再投稿数、又は過去の映画に関連する投稿のシェア数を挙げることができる。
７１２において、複数の過去の映画の各々の格付け情報を含む統計情報を収集することができる。例えば、格付け情報は、１が最低スコアであり１０が最高スコアである１～１０の格付け／スコアを含むことができる。格付けは、（批判票を含むこともできる）ユーザ投票に基づいて計算することができる。
７１４において、複数の過去の映画の各々の販売情報を含む統計情報を収集することができる。例えば、販売情報は、その映画の興行的総回収（ｔｏｔａｌ ｂｏｘ ｏｆｆｉｃｅ ｃｏｌｌｅｃｔｉｏｎ）、粗利益又は総映画収益を含むことができる。
７１６において、収集されたソーシャルメディアフットプリントのスコア値を計算することができる。いくつかの実施形態では、ソーシャルメディアフットプリントに含まれる値にシグモイド関数を適用することによってスコア値を計算することができる。他のいくつかの実施形態では、収集されたソーシャルメディアフットプリントに含まれる値にソフトマックス（ＳｏｆｔＭａｘ）関数を適用することによってスコア値を計算することができる。
７１８において、収集された格付け情報のスコア値を計算することができる。いくつかの実施形態では、格付け情報に含まれる値にシグモイド関数を適用することによってスコア値を計算することができる。他のいくつかの実施形態では、収集された格付け情報に含まれる値にソフトマックス関数を適用することによってスコア値を計算することができる。
７２０において、収集された販売情報のスコア値を計算することができる。いくつかの実施形態では、収集された販売情報に含まれる値にシグモイド関数を適用することによってスコア値を計算することができる。他のいくつかの実施形態では、収集された販売情報に含まれる値にソフトマックス関数を適用することによってスコア値を計算することができる。
７２２において、複数の過去の映画の各過去の映画の正規化された第１のジャンル別スコアセットを妥当性確認することができる。このような妥当性確認は、各過去の映画について、７１６における収集されたソーシャルメディアフットプリントの計算されたスコア値、７１８における格付け情報の計算されたスコア値、及び７２０における販売情報のコンピュータスコアに基づくことができる。
７２４において、複数の過去の映画の各過去の映画の妥当性確認されたジャンル別スコアセットに距離ベースのクラスタリング法を適用することができる。距離ベースのクラスタリング法の例としては、以下に限定するわけではないが、Ｋ平均法、外れ値を含む施設配置（Ｆａｃｉｌｉｔｙ Ｌｏｃａｔｉｏｎ ｗｉｔｈ Ｏｕｔｌｉｅｒｓ：ＦＬＯ）、ノイズを含むアプリケーションの密度ベース空間クラスタリング（Ｄｅｎｓｉｔｙ－ｂａｓｅｄ ｓｐａｔｉａｌ ｃｌｕｓｔｅｒｉｎｇ ｏｆ ａｐｐｌｉｃａｔｉｏｎｓ ｗｉｔｈ ｎｏｉｓｅ：ＤＢＳＣＡＮ）、クラスタリング構造を識別する発注点（Ｏｒｄｅｒｉｎｇ ｐｏｉｎｔｓ ｔｏ ｉｄｅｎｔｉｆｙ ｔｈｅ ｃｌｕｓｔｅｒｉｎｇ ｓｔｒｕｃｔｕｒｅ：ＯＰＴＩＣＳ）、平均シフト、大空間データベースの分布ベースのクラスタリング（Ｄｉｓｔｒｉｂｕｔｉｏｎ－Ｂａｓｅｄ Ｃｌｕｓｔｅｒｉｎｇ ｏｆ Ｌａｒｇｅ Ｓｐａｔｉａｌ Ｄａｔａｂａｓｅｓ：ＤＢＣＬＡＳＤ）、ガウス混合モデルクラスタリング（Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌｓ Ｃｌｕｓｔｅｒｉｎｇ：ＧＭＭ）、階層を用いたバランスの良い反復縮小及びクラスタリング（Ｂａｌａｎｃｅｄ Ｉｔｅｒａｔｉｖｅ Ｒｅｄｕｃｉｎｇ ａｎｄ Ｃｌｕｓｔｅｒｉｎｇ ｕｓｉｎｇ Ｈｉｅｒａｒｃｈｉｅｓ：ＢＩＲＣＨ）、代表点を用いたクラスタリング（Ｃｌｕｓｔｅｒｉｎｇ Ｕｓｉｎｇ Ｒｅｐｒｅｓｅｎｔａｔｉｖｅｓ：ＣＵＲＥ）、リンクを用いたロブストなクラスタリング（Ｒｏｂｕｓｔ Ｃｌｕｓｔｅｒｉｎｇ ｕｓｉｎｇ Ｌｉｎｋｓ：ＲＯＣＫ）、ファジーＣ平均法（ＦＣＭ）、ファジーなコンパクト性及び分離性（Ｆｕｚｚｙ Ｃｏｍｐａｃｔｎｅｓｓ ａｎｄ Ｓｅｐａｒａｔｉｏｎ：ＦＣＳ）、又はミニモデルクラスタリング（ＭＭ）を挙げることができる。
７２６において、距離ベースのクラスタリング法の適用に基づいてクラスタリングモデルを生成することができる。生成されたクラスタリングモデルは、映画の業界別基準モデルとみなすことができ、複数のデータ点クラスタとして複数の過去の映画を含むことができる。データ点クラスタは、対応する複数のクラスタ重心の周囲でクラスタ化することができる。
ある実施形態では、映画脚本６０２Ａの第２のジャンル別スコアセットを決定することができる。映画脚本６０２Ａの第２のジャンル別スコアセットは、映画脚本６０２Ａの予測成功指数に基づいて決定することができる。映画脚本が、生成されたクラスタリングモデルの第１のデータ点クラスタ内のデータ点に対応するか、それとも外れ値データ点に対応するかを判定することができる。この判定は、決定された第２のジャンル別スコアセットに基づくことができる。その後に、映画脚本が、生成されたクラスタリングモデルの第１のデータ点クラスタ内のデータ点のうちの１つに対応するとの判定、又は外れ値データ点に対応するとの判定に基づいて、映画脚本６０２Ａの比較メトリックを生成することができる。例えば、比較メトリックは、映画脚本６０２Ａの距離値（例えば、オイラー距離）とすることができ、映画脚本６０２Ａが属することができる、生成されたクラスタリングモデルの最も近いデータ点クラスタを示すことができる。
映画脚本６０２Ａのバージョンが２つ又は３つ以上存在する場合、クラスタリングモデルを利用して映画脚本６０２Ａの２又は３以上のバージョン間の距離を決定することができる。このような距離は、映画脚本６０２Ａの２つのバージョンに基づくことができる将来的な映画の２つのバージョンのジャンル別スコア間の起こり得る差分を予測することができる。映画脚本６０２Ａの２つのバージョン間の距離が閾値を上回る場合には、このような距離を示す通知を情報処理装置１０２上でクラスタリングモデルのデータ点として生成することができる。
図８は、本開示の実施形態による、映画脚本の分析に基づいて映画で使用される色のジャンル別推奨を行う例示的な動作を示すブロック図である。図８の説明は、図１、図２、図３、図４、図５、図６及び図７の要素に関連して行う。図８には、ブロック図８００を示す。８０２～８１２の動作は、情報処理装置１０２上で実行することができる。動作は８０２から開始して８０４に進むことができる。
８０４において、（映画脚本６０２Ａなどの）映画脚本のシーンにおける感情を示す単語群を識別することができる。例えば、映画脚本のシーンにおける赤色の使用は、怒り、愛又は憎しみを象徴することができる。情報処理装置１０２は、映画脚本を分析（ＮＬＰ分析）して、映画脚本のシーンにおける感情を示す単語群（又は影響の大きな文章）を識別することができる。
８０６において、そのシーンに関連するジャンル（又は映画脚本全体）又はシーン内の台詞の音調に基づいて、識別された単語群を分類することができる。
８０８において、複数のシーンの各々に関連するジャンルに基づいて映画脚本内の複数のシーンを識別することができる。
８１０において、映画脚本に基づいて製作された映画のシーンに含まれるオブジェクト（例えば、コスチューム、背景色、小道具の色など）の色の組み合わせを推奨することができる。色の組み合わせは、８０６における分類（及び／又は８０８における識別）に基づいて推奨することができる。
ある実施形態では、推奨される色の組み合わせが、（映画脚本に基づく）映画の製作において使用すべき、その特定のジャンルにとって視聴者に対するプラスの影響のために最も適した色の選択を含むことができる。例えば、シーン内で使用される小道具、又はシーン内のキャラクタの衣装の色についての色の組み合わせを推奨することができる。また、映画脚本の異なるシーンについての色等級又はカラーバランスの提案を推奨することもできる。
８１２において、８１０における推奨に基づいて映画を製作して動作を終了することができる。
図９は、本開示の実施形態による、映画成功指数を予測する例示的な動作を示すフローチャートである。図９の説明は、図１、図２、図３、図４、図５、図６、図７及び図８の要素に関連して行う。図９にはフローチャート９００を示す。９０２～９１４の動作は、情報処理装置１０２上で実行することができる。動作は、９０２から開始して９０４に進むことができる。
９０４において、製作される映画に関連する映画脚本のテキスト分析に基づいて、映画脚本内の複数のシーンを識別することができる。ある実施形態によれば、情報処理装置１０２の回路２０２を、映画脚本のテキスト分析に基づいて映画脚本の複数のシーンを識別するように構成することができる。
９０６において、識別された複数のシーンの各シーンの第１のスコアを計算することができる。第１のスコアは、識別された複数のシーンのジャンル情報に基づいて計算することができる。ある実施形態によれば、情報処理装置１０２の回路２０２を、識別された複数のシーンのジャンル情報に基づいて、識別された複数のシーンの各シーンの第１のスコアを計算するように構成することができる。
９０８において、映画脚本のテキスト分析に基づいてキャラクタリストを識別することができる。ある実施形態によれば、回路２０２を、映画脚本のテキスト分析に基づいて映画脚本内のキャラクタリストを識別するように構成することができる。
９１０において、過去の映画データベースに基づいて、識別されたキャラクタリスト内の各キャラクタの役柄演技のための俳優を選択することができる。ある実施形態によれば、回路２０２を、過去の映画データベースに基づいて、識別されたキャラクタのリスト内の各キャラクタの役柄演技のための俳優を選択するように構成することができる。
９１２において、役柄演技のために選択された俳優の適合性を示す第２のスコアを計算することができる。第２のスコアは、過去の映画データベースのデータ点について訓練できるＭＬモデル１１０に基づいて計算することができる。ある実施形態によれば、回路２０２を、役柄演技のために選択された俳優の適合性の指標としての第２のスコアを計算するように構成することができる。
９１４において、識別された複数のシーンの各シーンの計算された第１のスコアと、選択された俳優の計算された第２のスコアとに基づいて、映画成功指数を予測することができる。ある実施形態によれば、回路２０２を、識別された複数のシーンの各シーンの計算された第１のスコアと、選択された俳優の計算された第２のスコアとに基づいて映画成功指数を予測するように構成することができる。制御は終了に進むことができる。
図１０は、本開示の少なくとも１つの実施形態による、映画成功指数のシミュレーション及び分析のためのユーザインターフェイスを示す図である。図１０の説明は、図１、図２、図３、図４、図５、図６、図７、図８及び図９の要素に関連して行う。図１０には、ユーザインターフェイス（ＵＩ）１０００を示す。ＵＩ１０００は、映画脚本のＮＬＰ分析から識別されたキャラクタを含む映画の出演者である俳優を選択できる潜在的俳優リストを表示するＵＩ要素１００２を含む。ＵＩ１０００は、映画製作の主要クルーである１又は２以上の監督を選択できる潜在的監督リストを表示するＵＩ要素１００４をさらに含む。ＵＩ１０００は、映画脚本について予測される成功指数を表示するＵＩ要素１００６と、成功指数の予測のために検討されるパラメータをリストするＵＩ要素１００８とをさらに含む。ＵＩ１０００は、成功指数の予測のために検討されるパラメータの重みを見て修正するためのＵＩ要素１０１０と、映画の暫定予算（百万ＵＳドル単位）を見て選択するためのＵＩ要素１０１２と、映画の公開時期を選択するためのＵＩ要素１０１４とをさらに含む。
ＵＩ１０００は、ユーザが（例えば、ＵＩ要素１００８におけるキャスト及びクルーの）パラメータを微調整して成功指数の予測におけるこのようなパラメータの影響を理解するのに役立つことができるシミュレーションアプリケーションのフロントエンドＵＩとすることができる。ユーザは、このような理解から映画の成功指数を改善するのに最適なパラメータを選択しようと決定することができる。図示のように、例えばダイハード（Ｄｉｅｈａｒｄ）の映画では、ユーザがＵＩ要素１００２から俳優を、ＵＩ要素１００４から監督をドラッグ及びドロップして、成功指数がどのように変化するかを視覚化することができる。
ＵＩ要素１００２、ＵＩ要素１００４、ＵＩ要素１０１２及びＵＩ要素１０１４を通じて、成功指数の予測のために検討されるパラメータ、及びこのようなパラメータの値を選択することができる。同様に、ＵＩ要素１０１０を介して、選択されたパラメータの重みを指定することができる。指定された重み及び選択されたパラメータ／パラメータ値に基づいて、ＵＩ要素１００６内で成功指数の予測及び更新を行うことができる。
なお、パラメータ、すなわち俳優、監督、季節及び予算は参考として示すものであり、本開示を限定するものとして解釈すべきではない。本開示は、その範囲から逸脱することなく、これよりも多くの又は少ないパラメータに対して異なる値の変動で適用することもできる。
さらに、ＵＩ１０００は映画成功指数のシミュレーション及び分析の実装例として示すものにすぎず、本開示を限定するものとして解釈すべきではないと理解されたい。本開示は、その範囲から逸脱することなく、ＵＩ１０００上のＵＩ要素の提示の他の変形例にも適用することができる。
図１１は、本開示の少なくとも１つの実施形態による、図１０のＵＩを通じて俳優の詳細を視覚化するユーザインターフェイス（ＵＩ）要素を示す図である。図１１の説明は、図１、図２、図３、図４、図５、図６、図７、図８、図９及び図１０の要素に関連して行う。図１１には、ＵＩ１０００と、図１０のＵＩ１０００上にオーバーレイ表示されたＵＩ要素１１００とを示す。ＵＩ要素１１００は、ＵＩ要素１００２内の俳優リストのうちの１つを介したユーザ入力に基づいて表示することができる。ＵＩ要素１１００は、選択された俳優（又は監督）の詳細なプロファイルを含むことができる。このようなプロファイルは、例えば、個人の詳細、俳優の写真、ジャンル別のヒット、地域別の人気、その俳優の最高興行収益映画のリスト、興行面で最高のヒットをもたらした役柄、及び様々なソーシャルメディアプラットフォーム上のいいねなどのソーシャルメディア統計を含むことができる。
なお、ＵＩ要素１１００は俳優／監督の詳細の視覚化の実装例として示すものにすぎず、本開示を限定するものとして解釈すべきではない。本開示は、その範囲から逸脱することなく、ＵＩ要素１１００上のテキスト、画像、グラフィック又はボタンの提示の他の変形例にも適用することができる。
図１２は、本開示の少なくとも１つの実施形態による、図１０のＵＩを通じて映画成功指数の予測のために検討されるパラメータの重みを選択するためのユーザインターフェイス（ＵＩ）要素を示す図である。図１２の説明は、図１、図２、図３、図４、図５、図６、図７、図８、図９、図１０及び図１１の要素に関連して行う。図１２には、ＵＩ１０００と、図１０のＵＩ１０００上にオーバーレイ表示されたＵＩ１２００とを示す。ＵＩ要素１２００は、ＵＩ要素１０１０の選択に基づいて、成功指数の予測のために検討されるパラメータの重みを見て修正するために表示することができる。例えば、ユーザは、スライドバーを使用して、俳優１のための１０％の重み、俳優２のための別の１０％の重み、監督のための１５％の重み、公開季節のための１０％の重み、予算のための５％の重み、及び映画脚本のための５０％の重みを選択することができる。「業界基準を使用」というＵＩボタンを選択すると、過去の映画の分析から取得された重みのデフォルトプロファイルに基づいて重みを修正することができる。「シミュレート」というＵＩボタンを選択すると、スライドバーに基づいて修正された重みを保存して映画成功指数の予測に使用することができる。
なお、ＵＩ要素１２００は重みの選択／修正のための実装例として示すものにすぎず、本開示を限定するものとして解釈すべきではない。本開示は、その範囲から逸脱することなく、ＵＩ要素１２００上のテキスト、画像、グラフィック又はボタンの提示の他の変形例にも適用することができる。
本開示の様々な実施形態は、機械及び／又はコンピュータが情報処理装置を動作させるために実行できる命令を記憶した非一時的コンピュータ可読媒体及び／又は記憶媒体を提供することができる。これらの命令は、製作される映画に関連する映画脚本のテキスト分析に基づいて、映画脚本内の複数のシーンの識別を含む動作を機械及び／又はコンピュータに実行させることができる。これらの動作は、識別された複数のシーンのジャンル情報に基づく識別された複数のシーンの各シーンの第１のスコアの計算と、映画脚本のテキスト分析に基づく映画脚本内のキャラクタリストの識別とをさらに含む。これらの動作は、過去の映画データベースに基づく識別されたキャラクタリスト内の各キャラクタの役柄演技のための俳優の選択と、選択された俳優についての、役柄演技のために選択された俳優の適合性を示す第２のスコアの計算とをさらに含む。第２のスコアは、過去の映画データベースのデータ点について訓練される機械学習モデルに基づいて計算される。これらの動作は、識別された複数のシーンの各シーンの計算された第１のスコアと、選択された俳優の計算された第２のスコアとに基づく映画成功指数の予測をさらに含む。
本開示の例示的な態様は、（図１の情報処理装置１０２などの）情報処理装置を含むことができる。情報処理装置１０２は、機械学習（ＭＬ）モデルを記憶するように構成された（回路２０２などの）回路及び（メモリ２０４などの）メモリを含むことができる。回路は、（ユーザ装置１０４などの）ユーザ装置から（映画脚本４０２Ａなどの）映画脚本を受け取るように構成することができる。回路は、製作される映画に関連する映画脚本のテキスト分析に基づいて、映画脚本内の複数のシーンを識別するように構成することができる。回路は、識別された複数のシーンのジャンル情報に基づいて、識別された複数のシーンの各シーンの第１のスコアを計算し、映画脚本のテキスト分析に基づいて、映画脚本内のキャラクタリストを識別するように構成することができる。回路は、（過去の映画データベース４０６Ｃなどの）過去の映画データベースに基づいて、識別されたキャラクタリスト内の各キャラクタの役柄演技のための俳優を選択するようにさらに構成することができる。回路は、過去の映画データベースのデータ点について訓練される機械学習モデルに基づいて、選択された俳優の第２のスコアを計算するようにさらに構成することができる。その後、回路は、識別された複数のシーンの各シーンの計算された第１のスコアと、選択された俳優の計算された第２のスコアとに基づいて映画成功指数を予測するように構成することができる。
ある実施形態によれば、回路は、映画脚本のテキスト分析に基づいて、識別された複数のシーンにわたる識別されたキャラクタリストの分布を識別するようにさらに構成することができる。回路は、識別された分布に基づいて、識別された複数のシーンの各シーンの第１のスコアを計算するように構成することができる。
ある実施形態によれば、回路は、映画脚本のテキスト分析に基づいて、識別された複数のシーンのうちの１又は２以上のシーン内の祝賀イベント又は季節イベントの描写を特定するようにさらに構成することができる。回路は、過去の映画データベースに基づいて、特定された描写についての第３のスコアを計算し、１又は２以上のシーン内の特定された描写についての計算された第３のスコアにさらに基づいて映画成功指数を予測するようにさらに構成することができる。ある実施形態によれば、回路は、決定された祝賀イベント又は季節イベントの描写に基づいて映画の公開日を推定するようにさらに構成することができる。回路は、推定公開日についての第４のスコアを計算し、計算された第４のスコアにさらに基づいて映画成功指数を予測するようにさらに構成することができる。
ある実施形態によれば、回路は、過去の映画データベースから主要クルーメンバリストを選択し、主要クルーメンバリスト内の各主要クルーメンバの第５のスコアを計算するようにさらに構成することができる。計算された第５のスコアは、対応する主要クルーメンバの映画製作の仕事に対する適合性を示すことができ、過去の映画データベースのデータ点について訓練される機械学習モデルに基づいて計算することができる。ある実施形態によれば、回路は、選択された主要クルーメンバリスト内の各主要クルーメンバの計算された第５のスコアにさらに基づいて映画成功指数を予測するようにさらに構成することができる。
ある実施形態によれば、回路は、予測された成功指数が閾値よりも高いとの判定に基づいて、選択された主要クルーメンバリストを映画の製作クルーとして推奨するようにさらに構成することができる。同様に、回路は、予測された成功指数が閾値よりも高いとの判定に基づいて、選択された俳優を映画の出演者として推奨するようにさらに構成することができる。或いは、回路は、予測された成功指数が閾値よりも低いとの判定に基づいて、識別されたキャラクタリスト内の各キャラクタの役柄演技のために異なる俳優を選択するようにさらに構成することができる。
ある実施形態によれば、回路は、映画脚本のテキスト分析に基づいて、識別されたキャラクタリスト内の１又は２以上の主人公を識別するようにさらに構成することができる。回路は、俳優の選択が識別された１又は２以上の主人公のうちの１人の役柄演技のためのものであるとの判定にさらに基づいて、選択された俳優の第２のスコアを計算するように構成することができる。
ある実施形態によれば、回路は、映画脚本のテキスト分析に基づいて製作変数セットを識別するようにさらに構成することができる。製作変数セットは、映画脚本内のシーン撮影地の数、シーンの数及びキャラクタの数を含むことができる。また、回路は、映画製作の予算及び撮影期間を決定するように構成することもできる。その後、回路は、識別された製作変数セットのための第１の重みと、決定された撮影期間のための第２の重みと、決定された予算のための第３の重みとに基づいて映画成功指数を予測するようにさらに構成することができる。
ある実施形態によれば、回路は、ユーザのソーシャルメディア活動及び過去の映画についてのユーザの過去の活動の分析に基づいて、識別された複数のシーンのうちの少なくとも１つのシーンの文脈又はジャンルの人気尺度を推定するようにさらに構成することができる。回路は、推定された人気尺度にさらに基づいて映画成功指数を予測するようにさらに構成することができる。
ある実施形態によれば、回路は、映画脚本のテキスト分析に基づいて音調特徴セットを抽出するように構成することができる。抽出される音調特徴セットは、映画脚本内のナレーション又はキャラクタの状態、テキストの大文字化、感嘆詞、リズム、口調又は抑揚のうちの１つ又は２つ以上に対応することができる。回路は、抽出された音調特徴セットに基づいて、識別された複数のシーンの各シーンの第１の音調メトリックを計算するようにさらに構成することができる。回路は、識別されたキャラクタリストの第１のキャラクタの第２の音調メトリックを計算するようにさらに構成することができる。第２の音調メトリックは、映画脚本の識別された複数のシーン全体を通じた第１のキャラクタの役柄に関連する音調レベルの変動を示すことができる。音調レベルは、罪悪感、喜び、悲しみ、恥辱、嫌悪、怒り及び恐怖のうちの１つ又は２つ以上を含むことができる。回路は、映画脚本の音調レベルの変動に対応する第３の音調メトリックを計算するようにさらに構成することができる。回路は、計算された第１の音調メトリック、計算された第２の音調メトリック又は計算された第３の音調メトリックに基づいて映画成功指数を予測するようにさらに構成することができる。
ある実施形態によれば、回路は、過去の映画データベースから、複数の過去の映画の各過去の映画の成功指数を含むスコアリング情報を抽出するように構成することができる。回路は、抽出されたスコアリング情報に基づいて、複数の過去の映画の各過去の映画の第１のジャンル別スコアセットを決定するようにさらに構成することができる。回路は、決定された第１のジャンル別スコアセットを正規化するようにさらに構成することができる。回路は、複数の過去の映画の各過去の映画の販売情報、格付け情報及びソーシャルメディアフットプリントを含む統計情報を収集するようにさらに構成することができる。回路は、収集された販売情報、格付け情報及びソーシャルメディアフットプリントの各々のスコア値を計算するようにさらに構成することができる。回路は、複数の過去の映画のそれぞれの過去の映画の計算されたスコア値に基づいて、複数の過去の映画の各過去の映画の正規化された第１のジャンル別スコアセットを妥当性確認するようにさらに構成することができる。回路は、映画の業界別基準モデルとしてのクラスタリングモデルを生成するようにさらに構成することができる。クラスタリングモデルは、複数の過去の映画の各過去の映画の妥当性確認されたジャンル別スコアセットに距離ベースのクラスタリング法を適用することに基づいて生成することができる。生成されたクラスタリングモデルは、対応する複数のクラスタ重心の周囲でクラスタリングされた複数のデータ点クラスタとしての複数の過去の映画を含むことができる。
ある実施形態によれば、回路は、予測された成功指数に基づいて、映画脚本の第２のジャンル別スコアセットを決定するように構成することができる。回路は、映画脚本が、生成されたクラスタリングモデルの第１のデータ点クラスタのデータ点に対応するか、それとも外れ値データ点に対応するかを判定するようにさらに構成することができる。この判定は、決定された第２のジャンル別スコアセットに基づくことができる。回路は、この判定に基づいて映画脚本の比較メトリックを生成するようにさらに構成することができる。
ある実施形態によれば、機械学習モデルは、複数の層を含む（ＤＮＮ５０２などの）ディープニューラルネットワーク（ＤＮＮ）とすることができる。回路は、複数の層の（入力層５０６などの）入力層に、ジャンル情報、識別された複数のシーン及び識別されたキャラクタリストを含むデータセットを入力するように構成することができる。ＤＮＮの中間層は、識別された複数のシーンの各シーンの第１のスコアと、識別されたキャラクタリスト内の各キャラクタの役柄演技のために選択された俳優の第２のスコアとを計算するように構成することができる。これらの計算された第１のスコア及び計算された第２のスコアに基づく（出力層５１４などの）ＤＮＮの出力層の出力として映画成功指数を予測することができる。
本開示は、ハードウェアで、又はハードウェアとソフトウェアとの組み合わせで実現することができる。本開示は、少なくとも１つのコンピュータシステム内で集中方式で実現することも、又は異なる要素を複数の相互接続されたコンピュータシステムにわたって分散できる分散方式で実現することもできる。本明細書で説明した方法を実行するように適合されたコンピュータシステム又はその他の装置が適することができる。ハードウェアとソフトウェアとの組み合わせは、ロードされて実行された時に本明細書で説明した方法を実行するようにコンピュータシステムを制御することができるコンピュータプログラムを含む汎用コンピュータシステムとすることができる。本開示は、他の機能も実行する集積回路の一部を含むハードウェアで実現することができる。
本開示は、本明細書で説明した方法の実装を可能にする全ての特徴を含み、コンピュータシステムにロードされた時にこれらの方法を実行できるコンピュータプログラム製品に組み込むこともできる。本文脈におけるコンピュータプログラムとは、情報処理能力を有するシステムに特定の機能を直接的に、或いはａ）別の言語、コード又は表記法への変換、ｂ）異なる内容形態での複製、のいずれか又は両方を行った後に実行させるように意図された命令セットの、あらゆる言語、コード又は表記法におけるあらゆる表現を意味する。
いくつかの実施形態を参照しながら本開示を説明したが、当業者であれば、本開示の範囲から逸脱することなく様々な変更を行うことができ、同等物を代用することもできると理解するであろう。また、本開示の範囲から逸脱することなく、特定の状況又は内容を本開示の教示に適合させるように多くの修正を行うこともできる。従って、本開示は、開示した特定の実施形態に限定されるものではなく、添付の特許請求の範囲内に収まる全ての実施形態を含むように意図される。

Claims (23)

  1. 情報処理装置であって、
    製作される映画に関連する映画脚本のテキスト分析に基づいて、前記映画脚本内の複数のシーンを識別し、
    前記識別された複数のシーンのジャンル情報に基づいて、前記識別された複数のシーンの各シーンの第１のスコアを計算し、
    前記映画脚本のテキスト分析に基づいて、前記映画脚本内のキャラクタリストを識別し、
    過去の映画データベースに基づいて、前記識別されたキャラクタリスト内の各キャラクタの役柄演技のための俳優を選択し、
    前記選択された俳優について、前記過去の映画データベースのデータ点について訓練される機械学習モデルに基づいて、前記選択された前記役柄演技のための俳優の適合性を示す第２のスコアを計算し、
    前記識別された複数のシーンの各シーンの前記計算された第１のスコアと、前記選択された俳優の前記計算された第２のスコアとに基づいて、前記映画の成功指数を予測する、
    ように構成された回路を備える、
    ことを特徴とする情報処理装置。
  2. 前記回路は、
    前記映画脚本の前記テキスト分析に基づいて、前記識別された複数のシーンにわたる前記識別されたキャラクタリストの分布を識別し、
    前記識別された分布にさらに基づいて、前記識別された複数のシーンの各シーンの前記第１のスコアを計算する、
    ようにさらに構成される、請求項１に記載の情報処理装置。
  3. 前記回路は、前記映画脚本の前記テキスト分析に基づいて、前記識別された複数のシーンのうちの１又は２以上のシーンにおける祝賀イベント又は季節イベントの描写を特定するようにさらに構成される、
    請求項１に記載の情報処理装置。
  4. 前記回路は、
    前記過去の映画データベースに基づいて、前記特定された描写の第３のスコアを計算し、
    前記１又は２以上のシーンにおける前記特定された描写の前記計算された第３のスコアにさらに基づいて、前記映画の前記成功指数を予測する、
    ようにさらに構成される、請求項３に記載の情報処理装置。
  5. 前記回路は、
    前記祝賀イベント又は前記季節イベントの前記特定された描写に基づいて、前記映画の公開日を推定し、
    前記推定された公開日の第４のスコアを計算し、
    前記計算された第４のスコアにさらに基づいて、前記映画の前記成功指数を予測する、
    ようにさらに構成される、請求項３に記載の情報処理装置。
  6. 前記回路は、
    前記過去の映画データベースから主要クルーメンバリストを選択し、
    前記主要クルーメンバリスト内の各主要クルーメンバの第５のスコアを計算する、
    ようにさらに構成され、
    前記計算された第５のスコアは、前記映画の前記製作における仕事に対する対応する主要クルーメンバの前記適合性を示し、
    前記第５のスコアは、前記過去の映画データベースの前記データ点について訓練される前記機械学習モデルに基づいて計算される、
    請求項１に記載の情報処理装置。
  7. 前記回路は、前記選択された主要クルーメンバリスト内の各主要クルーメンバの前記計算された第５のスコアにさらに基づいて、前記映画の前記成功指数を予測するように構成される、
    請求項６に記載の情報処理装置。
  8. 前記回路は、前記予測された成功指数が閾値よりも高いとの判定に基づいて、前記選択された主要クルーメンバリストを前記映画の製作クルーとして推奨するようにさらに構成される、
    請求項７に記載の情報処理装置。
  9. 前記回路は、
    前記映画脚本の前記テキスト分析に基づいて音調特徴セットを抽出し、
    前記抽出された音調特徴セットに基づいて、前記識別された複数のシーンの各シーンの第１の音調メトリックを計算し、
    前記識別されたキャラクタリストの第１のキャラクタの、前記映画脚本の前記識別された複数のシーン全体を通じた前記第１のキャラクタの役柄に関連する音調レベルの変動を示す第２の音調メトリックを計算し、
    前記映画脚本の前記音調レベルの変動に対応する第３の音調メトリックを計算し、
    前記計算された第１の音調メトリック、前記計算された第２の音調メトリック又は前記計算された第３の音調メトリックにさらに基づいて、前記映画の前記成功指数を予測する、
    ようにさらに構成される、請求項１に記載の情報処理装置。
  10. 前記音調レベルは、罪悪感、喜び、悲しみ、恥辱、嫌悪、怒り及び恐怖のうちの１つ又は２つ以上を含む、
    請求項９に記載の情報処理装置。
  11. 前記抽出された音調特徴セットは、前記映画脚本内のナレーション又はキャラクタの状態、テキストの大文字化、感嘆詞、リズム、口調又は抑揚のうちの１つ又は２つ以上に対応する、
    請求項９に記載の情報処理装置。
  12. 前記回路は、
    前記映画脚本の前記テキスト分析に基づいて、前記識別されたキャラクタリスト内の１又は２以上の主人公を識別し、
    前記俳優の選択が、前記識別された１又は２以上の主人公のうちの１人の前記役柄演技のためのものであるとの判定にさらに基づいて、前記選択された俳優の第２のスコアを計算する、
    ようにさらに構成される、請求項１に記載の情報処理装置。
  13. 前記回路は、
    前記映画脚本の前記テキスト分析に基づいて、前記映画脚本内のシーン撮影地の数、シーンの数及びキャラクタの数を含む製作変数セットを識別し、
    前記映画の前記製作のための予算及び撮影期間を決定し、
    前記識別された製作変数セットのための第１の重み、前記決定された撮影期間のための第２の重み、及び前記決定された予算のための第３の重みにさらに基づいて、前記映画の前記成功指数を予測する、
    ようにさらに構成される、請求項１に記載の情報処理装置。
  14. 前記回路は、前記予測された成功指数が閾値よりも高いとの判定に基づいて、前記選択された俳優を前記映画の出演者として推奨するようにさらに構成される、
    請求項１に記載の情報処理装置。
  15. 前記回路は、
    ユーザのソーシャルメディア活動と、過去の映画についての前記ユーザの過去の活動の分析とに基づいて、前記識別された複数のシーンのうちの少なくとも１つのシーンの文脈又はジャンルの人気尺度を推定し、
    前記推定された人気尺度にさらに基づいて、前記映画の前記成功指数を予測する、
    ようにさらに構成される、請求項１に記載の情報処理装置。
  16. 前記回路は、前記予測された成功指数が閾値よりも低いとの判定に基づいて、前記識別されたキャラクタリスト内の各キャラクタの前記役柄演技のために異なる俳優を選択するようにさらに構成される、
    請求項１に記載の情報処理装置。
  17. 複数の層を含むディープニューラルネットワーク（ＤＮＮ）である機械学習モデルをさらに備える、
    請求項１に記載の情報処理装置。
  18. 前記回路は、
    前記ジャンル情報、前記識別された複数のシーン及び前記識別されたキャラクタリストを含むデータセットを前記複数の層のうちの入力層に入力するようにさらに構成され、
    前記ＤＮＮの中間層は、
    前記識別された複数のシーンの各シーンの前記第１のスコアを計算し、
    前記識別されたキャラクタリスト内の各キャラクタの前記役柄演技のために選択された前記俳優の前記第２のスコアを計算する、
    ように構成され、
    前記ＤＮＮの出力層は、前記計算された第１のスコア及び前記計算された第２のスコアに基づいて、前記映画の前記成功指数を予測するように構成される、
    請求項１７に記載の情報処理装置。
  19. 前記回路は、
    前記過去の映画データベースから、複数の過去の映画の各過去の映画の成功指数を含むスコアリング情報を抽出し、
    前記抽出されたスコアリング情報に基づいて前記複数の過去の映画の各過去の映画の第１のジャンル別スコアセットを決定し、
    前記決定された第１のジャンル別スコアセットを正規化し、
    前記複数の過去の映画の各過去の映画の販売情報、格付け情報及びソーシャルメディアフットプリントを含む統計情報を収集し、
    前記収集された販売情報、前記映画格付け情報及び前記ソーシャルメディアフットプリントの各々のスコア値を計算し、
    前記複数の過去の映画のそれぞれの過去の映画の前記計算されたスコア値に基づいて、前記複数の過去の映画の各過去の映画の前記正規化された第１のジャンル別スコアセットを妥当性確認し、
    前記複数の過去の映画の各過去の映画の妥当性確認されたジャンル別スコアセットに距離ベースのクラスタリング法を適用することに基づいて、映画の業界別基準モデルとしてのクラスタリングモデルを生成する、
    ようにさらに構成され、
    前記生成されたクラスタリングモデルは、対応する複数のクラスタ重心の周囲でクラスタ化された複数のデータ点クラスタとしての前記複数の過去の映画を含む、
    請求項１に記載の情報処理装置。
  20. 前記回路は、
    前記予測された成功指数に基づいて、前記映画脚本の第２のジャンル別スコアセットを決定し、
    前記決定された第２のジャンル別スコアセットに基づいて、前記映画脚本が、前記生成されたクラスタリングモデルの第１のデータ点クラスタ内のデータ点に対応するか、それとも外れ値データ点に対応するかを判定し、
    前記判定に基づいて、前記映画脚本の比較メトリックを生成する、
    ようにさらに構成される、請求項１９に記載の情報処理装置。
  21. 前記回路は、
    前記映画脚本の前記識別された複数のシーンにおける感情を示す単語群を識別し、
    前記映画脚本の前記シーンに関連するジャンル又は前記シーンにおける台詞の音調に基づいて、前記識別された単語群を分類し、
    前記分類に基づいて、前記映画脚本に基づいて製作される前記映画の前記シーンに含まれるオブジェクトの色の組み合わせを推奨する、
    ようにさらに構成される、請求項１に記載の情報処理装置。
  22. 製作される映画に関連する映画脚本のテキスト分析に基づいて、前記映画脚本内の複数のシーンを識別することと、
    前記識別された複数のシーンのジャンル情報に基づいて、前記識別された複数のシーンの各シーンの第１のスコアを計算することと、
    前記映画脚本のテキスト分析に基づいて、前記映画脚本内のキャラクタリストを識別することと、
    過去の映画データベースに基づいて、前記識別されたキャラクタリスト内の各キャラクタの役柄演技のための俳優を選択することと、
    前記選択された俳優について、前記過去の映画データベースのデータ点について訓練される機械学習モデルに基づいて、前記選択された前記役柄演技のための俳優の適合性を示す第２のスコアを計算することと、
    前記識別された複数のシーンの各シーンの前記計算された第１のスコアと、前記選択された俳優の前記計算された第２のスコアとに基づいて、前記映画の成功指数を予測することと、
    を含むことを特徴とする方法。
  23. コンピュータ実行命令を記憶した非一時的コンピュータ可読媒体であって、前記コンピュータ実行命令は、情報処理装置によって実行された時に、前記情報処理装置に、
    製作される映画に関連する映画脚本のテキスト分析に基づいて、前記映画脚本内の複数のシーンを識別することと、
    前記識別された複数のシーンのジャンル情報に基づいて、前記識別された複数のシーンの各シーンの第１のスコアを計算することと、
    前記映画脚本のテキスト分析に基づいて、前記映画脚本内のキャラクタリストを識別することと、
    過去の映画データベースに基づいて、前記識別されたキャラクタリスト内の各キャラクタの役柄演技のための俳優を選択することと、
    前記選択された俳優について、前記過去の映画データベースのデータ点について訓練される機械学習モデルに基づいて、前記選択された前記役柄演技のための俳優の適合性を示す第２のスコアを計算することと、
    前記識別された複数のシーンの各シーンの前記計算された第１のスコアと、前記選択された俳優の前記計算された第２のスコアとに基づいて、前記映画の成功指数を予測することと、
    を含む動作を実行させる、ことを特徴とする非一時的コンピュータ可読媒体。
JP2021568967A 2019-05-20 2020-05-19 映画成功指数の予測 Active JP7208595B2 (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962850075P 2019-05-20 2019-05-20
US62/850,075 2019-05-20
US16/869,892 2020-05-08
US16/869,892 US11704495B2 (en) 2019-05-20 2020-05-08 Prediction of film success-quotient
PCT/IB2020/054741 WO2020234771A1 (en) 2019-05-20 2020-05-19 Prediction of film success-quotient

Publications (2)

Publication Number Publication Date
JP2022533690A true JP2022533690A (ja) 2022-07-25
JP7208595B2 JP7208595B2 (ja) 2023-01-19

Family

ID=73456996

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021568967A Active JP7208595B2 (ja) 2019-05-20 2020-05-19 映画成功指数の予測

Country Status (6)

Country Link
US (1) US11704495B2 (ja)
EP (1) EP3956806A1 (ja)
JP (1) JP7208595B2 (ja)
KR (1) KR102694722B1 (ja)
CN (1) CN113748439B (ja)
WO (1) WO2020234771A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7503190B1 (ja) 2023-10-18 2024-06-19 株式会社ビデオリサーチ タレント選出システム

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11704495B2 (en) * 2019-05-20 2023-07-18 Sony Group Corporation Prediction of film success-quotient
US11488186B2 (en) * 2020-04-22 2022-11-01 Capital One Services, Llc Recommendation system for patterned purchases
US20220101157A1 (en) * 2020-09-28 2022-03-31 Disney Enterprises, Inc. Script analytics to generate quality score and report
CN112800344B (zh) * 2021-01-29 2022-03-22 重庆邮电大学 一种基于深度神经网络的电影推荐方法
KR102473475B1 (ko) * 2021-07-30 2022-12-02 주식회사 스튜디오 노움 웹툰 기반의 시나리오 제작을 위한 신 생성 방법
KR102643159B1 (ko) * 2022-01-19 2024-03-04 채현민 인공지능 매칭 알고리즘을 이용한 온라인 영화 제작 플랫폼
CN114492521A (zh) * 2022-01-21 2022-05-13 成都理工大学 一种基于声振信号的随钻岩性智能识别方法与系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130204664A1 (en) * 2012-02-07 2013-08-08 Yeast, LLC System and method for evaluating and optimizing media content
US20130311408A1 (en) * 2012-05-15 2013-11-21 Comcast Cable Communications, Llc Determining and Predicting Popularity of Content
CN104834969A (zh) * 2015-05-05 2015-08-12 东南大学 一种电影评价预测方法及其系统
CN107404671A (zh) * 2017-06-13 2017-11-28 中国传媒大学 电影内容特征获取系统及应用系统
EP3340069A1 (en) * 2016-12-23 2018-06-27 ScriptBook NV Automated characterization of scripted narratives

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8063295B2 (en) * 2002-10-03 2011-11-22 Polyphonic Human Media Interface, S.L. Method and system for video and film recommendation
US20060235783A1 (en) * 2005-02-22 2006-10-19 Scott Ryles Predicting risk and return for a portfolio of entertainment projects
US9106812B1 (en) * 2011-12-29 2015-08-11 Amazon Technologies, Inc. Automated creation of storyboards from screenplays
WO2014051824A2 (en) * 2012-07-09 2014-04-03 University Of Rochester Use of social interactions to predict complex phenomena
US9159031B2 (en) * 2013-04-30 2015-10-13 Microsoft Technology Licensing, Llc Predicting audience response for scripting
KR101664377B1 (ko) * 2014-01-17 2016-10-10 (주)스타콜라보 기업과 유명인 간 협력사업 매칭시스템 및 그 방법
US20160189084A1 (en) * 2014-09-05 2016-06-30 Sony Corporation System and methods for determining the value of participants in an ecosystem to one another and to others based on their reputation and performance
CN106250379A (zh) * 2015-06-08 2016-12-21 中外名人文化产业集团有限公司 中国电视剧剧本数据分析法
KR20170057082A (ko) * 2015-11-16 2017-05-24 (주)엠피에스코리아 복합데이터를 이용한 영화 흥행 예측 방법
CN107665373A (zh) 2016-07-29 2018-02-06 上海新飞凡电子商务有限公司 一种混合模型的电影票房预测方法
US20190295110A1 (en) * 2016-12-09 2019-09-26 Storyfit Inc. Performance analytics system for scripted media
US20180165696A1 (en) * 2016-12-09 2018-06-14 Authors, Inc. Predictive Analytics Diagnostic System and Results on Market Viability and Audience Metrics for Scripted Media
CN106980909A (zh) 2017-03-30 2017-07-25 重庆大学 一种基于模糊线性回归的电影票房预测方法
CN107133699A (zh) * 2017-05-12 2017-09-05 百度国际科技（深圳）有限公司 电影票房趋势预测方法和装置、设备、存储介质
US10748215B1 (en) * 2017-05-30 2020-08-18 Michael C. Winfield Predicting box office performance of future film releases based upon determination of likely patterns of competitive dynamics on a particular future film release date
CN107368965A (zh) * 2017-07-18 2017-11-21 杭州火剧科技有限公司 一种剧本数据处理方法、装置及应用其的计算机设备
CN107562870A (zh) * 2017-08-30 2018-01-09 国信优易数据有限公司 一种用户推荐方法和装置
CN109783659A (zh) * 2017-10-06 2019-05-21 迪斯尼企业公司 基于自然语言处理和2d/3d预可视化的自动化故事板
CN108960683A (zh) * 2018-08-09 2018-12-07 秦宜学 一种影视剧制片系统
CN109325115B (zh) * 2018-08-16 2021-03-09 中国传媒大学 一种角色分析方法及分析系统
US20200175457A1 (en) * 2018-12-03 2020-06-04 International Business Machines Corporation Evaluation of actor auditions
US11062086B2 (en) * 2019-04-15 2021-07-13 International Business Machines Corporation Personalized book-to-movie adaptation recommendation
US11704495B2 (en) * 2019-05-20 2023-07-18 Sony Group Corporation Prediction of film success-quotient
US11188833B1 (en) * 2020-11-05 2021-11-30 Birdview Films. Llc Real-time predictive knowledge pattern machine

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130204664A1 (en) * 2012-02-07 2013-08-08 Yeast, LLC System and method for evaluating and optimizing media content
US20130311408A1 (en) * 2012-05-15 2013-11-21 Comcast Cable Communications, Llc Determining and Predicting Popularity of Content
CN104834969A (zh) * 2015-05-05 2015-08-12 东南大学 一种电影评价预测方法及其系统
EP3340069A1 (en) * 2016-12-23 2018-06-27 ScriptBook NV Automated characterization of scripted narratives
CN107404671A (zh) * 2017-06-13 2017-11-28 中国传媒大学 电影内容特征获取系统及应用系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"ハリウッド映画の興行成績を脚本段階で予測する「Epagogix」の仕組み", [ONLINE], JPN6022052177, 19 January 2014 (2014-01-19), ISSN: 0004939451 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7503190B1 (ja) 2023-10-18 2024-06-19 株式会社ビデオリサーチ タレント選出システム

Also Published As

Publication number Publication date
KR102694722B1 (ko) 2024-08-14
US11704495B2 (en) 2023-07-18
WO2020234771A1 (en) 2020-11-26
EP3956806A1 (en) 2022-02-23
US20200372524A1 (en) 2020-11-26
KR20210143912A (ko) 2021-11-29
JP7208595B2 (ja) 2023-01-19
CN113748439A (zh) 2021-12-03
CN113748439B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
JP7208595B2 (ja) 映画成功指数の予測
US10402703B2 (en) Training image-recognition systems using a joint embedding model on online social networks
CN109155136B (zh) 从视频自动检测和渲染精彩场面的计算机化系统和方法
US11282020B2 (en) Dynamic playback of synchronized narrated analytics playlists
CN109547814B (zh) 视频推荐方法、装置、服务器及存储介质
CN112749608B (zh) 视频审核方法、装置、计算机设备和存储介质
US20190364123A1 (en) Resource push method and apparatus
US20210256543A1 (en) Predictive Analytics Diagnostic System and Results on Market Viability and Audience Metrics for Scripted Media
WO2017202006A1 (zh) 数据处理方法和装置、计算机存储介质
US20180101540A1 (en) Diversifying Media Search Results on Online Social Networks
US10083379B2 (en) Training image-recognition systems based on search queries on online social networks
US11275994B2 (en) Unstructured key definitions for optimal performance
JP7240505B2 (ja) 音声パケット推薦方法、装置、電子機器およびプログラム
US11636282B2 (en) Machine learned historically accurate temporal classification of objects
WO2017027705A1 (en) Method and system for personifying a brand
US11653071B2 (en) Responsive video content alteration
US20200387534A1 (en) Media selection based on content topic & sentiment
CN118093801A (zh) 基于大语言模型的信息交互方法、装置以及电子设备
WO2023278748A1 (en) Methods, systems, and apparatuses for user engagement analysis
US11010935B2 (en) Context aware dynamic image augmentation
CN117725220A (zh) 文档表征和文档检索的方法、服务器及存储介质
US20240095446A1 (en) Artificial intelligence (ai) and natural language processing (nlp) for improved question/answer sessions in teleconferences
CN116980665A (zh) 一种视频处理方法、装置、计算机设备、介质及产品
EP3306555A1 (en) Diversifying media search results on online social networks
CN114090848A (zh) 数据推荐及分类方法、特征融合模型及电子设备

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211118

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20221207

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221220

R151 Written notification of patent or utility model registration

Ref document number: 7208595

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151