Прогнозирование результатов российских фильмов в прокате с использованием больших языковых моделей в целях повышения устойчивости национальной отрасли и снижения рисков ...

Текст статьи на сайте журнала URL: https://tv-science.online/journals/22-2-prognozirovanie-rezultatov-rossijskih-filmov-v-prokate-s-ispolzovaniem-bolshih-yazykovyh-modelej-v-tselyah-povysheniya-ustojchivosti-natsionalnoj-otrasli-i-snizheniya-riskov/ (дата обращения 24.08.2026)

Ссылка при цитировании:

Аннотация

В статье представлен результат применения технологии дообучения больших языковых моделей Low-Rank Adaptation для прогнозирования результатов российских кинофильмов на основе расширенных текстовых описаний. Исследование включает: (1) теоретический обзор современных подходов к прогнозированию кинопроката с использованием обработки естественного языка; (2) доказательство гипотезы возможности прогнозирования с помощью LLM; (3) практическую реализацию предиктивной модели на основе дообучения с LoRA модели ru-en-RoSBERTa; (4) описание предварительного эксперимента по дообучению генеративной модели на базе Qwen2.5—7B instruct для создания описаний кинопроектов.Экспериментальные данные получены на материале 1683 российских национальных фильмов, выпущенных в прокат с 2004 по 2024 годы.Результаты исследования демонстрируют возможность достижения точности прогнозирования 0,93 (ROC-AUC = 0,92) при использовании LoRA-адаптации и промптинга LLM, что сопоставимо с метриками традиционных методов машинного обучения, работающих на исторических данных. Публикация подтверждает эффективность применения LLM для решения задач прогнозирования в области кинематографа и обосновывает перспективы создания «киберпродюсера» — системы поддержки принятия решений для киноиндустрии.Представленные результаты могут быть использованы для повышения финансовой, экономической и социально-политической устойчивости российской киноотрасли, оптимизации инвестиционных стратегий и снижения финансовых и регуляторных рисков кинопроизводителей. Применение LLM позволяет работать непосредственно с идеями и заготовками на этапе сценарного питчинга. Новички и начинающие авторы не дискриминируются по причине отсутствия прошлых проектов, как в традиционных ML-подходах, основанных на регрессии, исторических данных проката и составах творческих групп.В перспективе возможен анализ расширенных синопсисов, тритментов и полных сценариев кинофильмов с созданием гибридной модели прогнозирования на объединении бустинговых ансамблевых ML-моделей с LLM.

Ключевые слова:

Рубрики: