教人工智慧看電影，然後猜猜這齣電影花了多少錢～～～這可是物理界的大事！

蝙蝠俠：「阿福！快去生一個羅賓」

阿福就開始去生羅賓，因為這是他的工作。這時小丑手上出現一個禮物，他把禮物拋向蝙蝠俠。

小丑：「蝙蝠日快樂！生日俠」

因為蝙蝠俠是好人，所以他打開了禮物。裡面有著一張新父母兌換卷，但已經過期了，這就是個小丑式的玩笑。
------------------------------------分隔線---------------------------------------

（以上譯文引用自「#電影神搜」，全文請見：https://news.agentm.tw/…/ai-%E5%89%B5%E4%BD%9C-%E8%9D%99%E…/）

看起來有各種 #神展開，令人期待（？）

不過今天真正要講的是，維吉尼亞大學與微軟合作的一個研究，建立了一個由4927部電影組成的資料庫，要試試AI為 #電影分類 的本事。

電影根據電影資料庫 #IMDB 的標記，總共分成13大類：動作、動畫、傳記、喜劇、犯罪、劇情、家庭、奇幻、恐怖、懸疑、浪漫、科幻、驚悚。不過有些電影會分在不只一類。

這個研究比較特別的地方是，它採用了包括「影像」、「聲音」、「劇情文字簡介」、「海報」、「metadata」這幾個不同屬性的資料來進行分別以及各種組合的綜合研究。

由於整部電影資料量太大，所以影像與聲音的部分只採用預告片，劇情簡介則是擷取維基百科中的資料。Metadata（可以翻做元資料、中繼資料、後設資料…可以用「拿來標記資料用的資料」）主要來自IMDB上的導演、語言、評價，此外還有海報上人臉的數目、評論數、臉書上的讚數等。

將這4927部電影中的70%作為「訓練資料集」餵給電腦然後告訴它答案，10%做交叉驗證（validation）、20%作為最後測試（考試）的資料。

最後的結果顯示，把影像、聲音、文字、海報、metadata全部都用上去，電腦的學習效果最好（不意外），平均的正確率是68.6%。其中命中率最高的是「喜劇」，達到91.5%，其次為「動畫」88.5%；最差的是「傳記」的36.6%以及「懸疑」的39.7%。

有趣的是，如果把五項要素分開來比，表現最好的不是影音，而是「劇情文字介紹」，光靠它正確率就可以達到67.7%，其他四個要素加上去也只提升了1%左右。最差的是海報，如果光從海報來猜電影的分類，正確率只有43.3%。此外，雖然「劇情文字介紹」在大部分的類型中奪冠，但是「影像」在「動畫」類的正確率高達95.7%，碾壓其他對手，不過這也不意外，動畫的影像特質跟真人電影本來就應該有明顯的差異。

研究團隊順便看看AI能不能猜出每部電影花了多少錢，他們把成本分為五個等級，最低的第一級是21.8萬～89萬鎂，最高的第五級是7200萬到3億鎂，結果表現最好的是matadata，正確率達到91.0%，其他幾樣都在40%以下。不過研究團隊認為這個結果不怎麼有趣，因為製作成本與「評論數」、「臉書讚數」的關連性太過明顯了。

其實我相信他們一定有做「#票房預估」這件事，但是按槓起來不發表…

什麼，這跟物理無關？想 #本超中二物理系主任 六年前寫 #科技部 的「#百人拓荒計畫」，標榜的是歡迎任何天馬行空、荒誕不羈的計畫，我就寫了跟這個研究幾乎一樣的計畫（不過是用統計而不是用AI來做，因為我那時根本還不知AI是啥鬼），只是不是拿來看電影，而是拿來看漫畫，不過科技部沒給我過…所以怎麼會跟物理無關，我說有關就是有關！

techxplore報導：
https://techxplore.com/ne…/2019-08-features-movie-genre.html

arXiv論文：https://arxiv.org/abs/1908.03180

#超中二物理系主任雜記
#等我征服世界就把深度學習列為全人類必修
#生命宇宙與萬事萬物什麼都馬跟物理有關
#話都給我講就好其之119

圖一：Keaton Patti（作家兼喜劇演員）強迫AI寫出來的蝙蝠俠劇本。（來源：Keaton Patti的Twitter）
圖二：本研究所用的電影資料庫樣本。（來源：arXiv）
圖三：利用「文字」、「影像」、「聲音」、「海報」、「Metadata」來對「劇情」、「動畫」、「傳記」、「奇幻」、「科幻」電影分類的正確率，可以看到除了動畫類是由影像奪冠以外，其他都是文字表現最好。（來源：arXiv）
圖四：最近臉書流傳的梗圖：你能從片頭畫面分辨何者是好片嗎？與本研究有異曲同工之妙，才怪（來源：臉書亂傳。至於答案是什麼？不知道的不要問，知道的不要講，以免被 #查水表）