[論文レビュー] MPST: A Corpus of Movie Plot Synopses with Tags

Sudipta Kar, Suraj Maharjan+2 more|arXiv (Cornell University)|Feb 22, 2018

Recommender Systems and Techniques参考文献 1被引用数 19

ひとこと要約

本稿では、ジャンル、感情、物語構造などの物語的属性を反映する71種類の詳細な非重複タグを備えた、14,828件の映画プロット要約からなる大規模かつマルチラベルのコーパス、MPSTを紹介する。著者らは複数のソースを活用したアプローチでデータを収集・整備し、感情の流れ分析を通じてタグの関連性を検証し、従来の言語的特徴を用いたプロットテキストからのタグ予測の可能性を示し、自動映画タギングおよび物語理解分野における今後の研究のベンチマークを確立した。

ABSTRACT

Social tagging of movies reveals a wide range of heterogeneous information about movies, like the genre, plot structure, soundtracks, metadata, visual and emotional experiences. Such information can be valuable in building automatic systems to create tags for movies. Automatic tagging systems can help recommendation engines to improve the retrieval of similar movies as well as help viewers to know what to expect from a movie in advance. In this paper, we set out to the task of collecting a corpus of movie plot synopses and tags. We describe a methodology that enabled us to build a fine-grained set of around 70 tags exposing heterogeneous characteristics of movie plots and the multi-label associations of these tags with some 14K movie plot synopses. We investigate how these tags correlate with movies and the flow of emotions throughout different types of movies. Finally, we use this corpus to explore the feasibility of inferring tags from plot synopses. We expect the corpus will be useful in other tasks where analysis of narratives is relevant.

研究の動機と目的

• ジャンル、感情、物語構造などのプロット関連属性を反映する、細分化された非重複タグを備えた大規模でマルチラベルの映画プロット要約データセットの構築。
• 複数のノイズの多いソース（例：MovieLens, IMDb）からの集約を通じて、キュレートされた意味的に明確に区別されるタグセットを設計することで、既存のタグ空間におけるノイズと重複を是正すること。
• タグと映画プロット内の感情の流れの相関関係を調査し、タグの割り当ての意味的整合性を検証すること。
• 従来の言語的特徴（例：品詞、センチメント、固有表現）をプロットテキストから抽出し、マルチラベルタグの予測可能性を評価することで、物語テキストにおける今後のマルチラベル分類研究のベンチマークを確立すること。
• 自動タグ生成、レコメンデーションシステム、物語分析分野の研究を支援するため、自由に利用可能な高品質なコーパスを提供すること。

提案手法

• Wikipediaからプロット要約を収集し、IMDb IDを介して映画と紐付け、MovieLens 20Mデータセットのタグ割り当てと整合性を保つことでMPSTコーパスを構築した。
• 反復的精錬を経て、意味的に類似するタグ（例：'cult' と 'cult film' → 'cult'）を統合することで、冗長性を低減し意味的明確性を向上させた71タグの細分化されたタグセットを設計した。
• MovieLensおよびIMDbのユーザー生成タグを集約し、正規化およびクラスタリング技術を適用することで、不整合やノイズを是正し、タグを映画にマッピングした。
• 要約の長さと品質を確保するための収集・前処理を実施し、平均986.47語の要約が得られた。これは、MM-IMDbなどの既存データセット（平均92.5語）と比べて顕著に長い。
• プロットテキストから抽出した従来の言語的特徴（例：品詞、センチメント、固有表現）を用いて、マルチラベル分類ベンチマークを訓練し、タグ割り当てを予測した。
• 感情の流れ分析を感情語彙を用いて実施し、タグ分布と照合することで、意味的整合性を検証した。

実験結果

リサーチクエスチョン

• RQ1 複数のソースからのノイズの多い異種のユーザー生成タグから、体系的かつ非重複のタグセットを構築できるか？
• RQ2 割り当てられたタグは、映画プロットの感情の流れと物語構造とどのように相関しており、現実世界の期待と整合しているか？
• RQ3 プロット要約から抽出した従来の言語的特徴が、マルチラベルタグをどの程度予測できるか。このタスクにおけるベースラインパフォーマンスはいかほどか？
• RQ4 プロット要約の長さ、タグの細分化度、マルチラベルカバレッジの観点から、MPSTコーパスは既存のデータセットとどのように比較されるか？
• RQ5 このコーパスは、映画レコメンデーション、感情検出、自動タグ提案といった下流タスクをサポートできるか？

主な発見

• MPSTコーパスには14,828件の映画プロット要約が含まれており、平均986.47語と、MM-IMDbなどの類似データセット（平均92.5語）に比べ顕著に長い。これにより、より豊かな物語的分析が可能となる。
• 最終的なタグセットは71種類の非重複で意味的に明確に区別されたタグから構成されており、'ファンタジー'、'殺人'、'ロマンス'、'フラッシュバック'、'精神病'などの例が含まれ、物語構造、ジャンル、感情的体験を反映している。
• 感情の流れ分析の結果、タグの分布が予想される感情の弧と整合していることが判明した。例えば、'ホラー'や'暴力'は緊張の上昇と否定的感情のピークと関連し、'ロマンス'や'コメディ'はより安定的または肯定的なパターンを示した。
• ベンチマークとしてのマルチラベル分類システムは、従来の言語的特徴を用いてマクロ-F1スコア0.41を達成した。これは、自動タグ予測のための非自明だが挑戦的なベースラインであることを示している。
• 細分化された検証済みのタグ構造と高品質な要約を備えることから、MPSTコーパスはレコメンデーションシステム、感情検出、物語理解タスクへの応用において強く期待できる。
• 著者らは、MPSTが、細分化されたタグと完全な長編映画プロット要約との間のマルチラベル関連を提供する最初のコーパスであることを確認した。これは、物語的NLP研究における重要な空白を埋めた。