Film başarısının vizyon öncesinde çok kipli makine öğrenmesi modelleri ile tahmin edilmesi
Predicting film success before release using multimodal machine learning models
- Tez No: 1016879
- Danışmanlar: DOÇ. DR. HAKAN GÜNDÜZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Film endüstrisinde bir yapımın başarısını önceden tahmin etmek, yüksek maliyetli yatırımların riskini azaltmak için kritik öneme sahiptir. Literatürdeki mevcut çalışmalar genellikle vizyon sonrası elde edilen hasılat verilerini veya sadece özet metnini kullanarak tahmin yapmaktadır. Bu tez çalışmasında bir filmin başarısını henüz vizyona girmeden önce (vizyon öncesi/pre-release) tahmin etmek amacıyla metin, görsel ve sayısal verilerin bir arada kullanıldığı çok kipli (multimodal) bir makine öğrenmesi yaklaşımı geliştirilmiştir. Çalışma kapsamında TMDB veri tabanından başlangıçta 9.998 film verisi çekilmiş, 60 dakika altındaki yapımların elendiği süre bazlı filtreleme işleminden sonra 9.821 filmden oluşan nitelikli bir veri seti oluşturulmuştur. Hasılat ve popülarite gibi vizyon sonrası veriler model dışında bırakılarak gerçekçi bir erken tahmin senaryosu kurgulanmıştır. Metin verileri (başlık ve anahtar kelimeler) RoBERTa dil modeli ile, görsel veriler (poster ve arka plan) ise CLIP derin öğrenme modeli ile vektör uzayına taşınmıştır. Sayısal verilerle birlikte toplam 2.605 öznitelik içeren veri seti üzerinde yapılan deneylerde, hız ve doğruluk performansı nedeniyle LightGBM temel algoritma olarak belirlenmiştir. Ardından, model çeşitliliğini sağlayarak tahmin gücünü maksimize etmek amacıyla XGBoost ve CatBoost modelleri de sürece dahil edilmiş ve nihai tahminler Ridge regresyon kullanan bir yığınlama (stacking) mimarisi ile üretilmiştir. Analizler sonucunda, tek başına metin veya görsel verilerin sınırlı bir açıklayıcılığa sahip olduğu, ancak tüm veri tiplerinin birleştirildiği (fusion) modellerin başarıyı önemli ölçüde artırdığı görülmüştür. Geliştirilen bu model ile R² = 0,55, RMSE = 0,52 ve 3 sınıflı başarı tahmininde %73,34 doğruluk oranına ulaşılmış, literatürdeki tek kipli (unimodal) modellere kıyasla belirgin bir performans artışı sağlanmıştır. Ayrıca çalışma kapsamında geliştirilen model, vizyon sonrası veriler (hasılat, oy sayısı, popülarite) eklenerek eğitilen model ile karşılaştırılmış ve aradaki %19,1'lik performans farkının izleyici etkileşimi ve ticari başarı gibi vizyon sonrası dinamiklerden kaynaklandığı, önerilen vizyon öncesi modelin ise filmin içsel kalitesini başarıyla modellediği gözlemlenmiştir.
Özet (Çeviri)
Predicting the success of a production in the film industry is of critical importance to mitigate the risks associated with high-cost investments. Existing studies in the literature generally rely on post-release box office data or solely on plot summaries for predictions. In this thesis, a multimodal machine learning approach utilizing textual, visual, and numerical data has been developed to predict the success of a film before its theatrical release (pre-release). Within the scope of the study, 9,998 movie data entries were initially retrieved from the TMDB database, and a final dataset consisting of 9,821 films was created after applying a duration-based filter that eliminated productions under 60 minutes. Post-release metrics such as revenue and popularity were excluded from the model to construct a realistic early prediction scenario. Textual data (title and keywords) were transformed into vector space using the RoBERTa language model, while visual data (poster and backdrop) were processed using the CLIP deep learning model. In experiments conducted on the dataset containing a total of 2,605 features including numerical data, LightGBM was determined as the base algorithm due to its speed and accuracy performance. Subsequently, to maximize predictive power by ensuring model diversity, XGBoost and CatBoost models were integrated into the process, and the final predictions were generated via a stacking architecture utilizing a Ridge regression meta-learner. The analyses revealed that textual or visual data alone have limited explanatory power, whereas fusion models combining all data types significantly improved success rates. With the developed model, an R² of 0.55, an RMSE of 0.52, and an accuracy rate of 73.34% in 3-class success prediction were achieved, demonstrating a distinct performance increase compared to unimodal models in the literature. Furthermore, the developed model was compared with a model trained by adding post-release data (revenue, vote count, popularity), and it was observed that the 19.1% performance gap stemmed from post-release dynamics such as audience engagement and commercial success, while the proposed pre-release model was successful in modeling the intrinsic quality of the film.
Benzer Tezler
- Film endüstrisinde pandemiyle değişen seyirci tercihleri
Changing audience preferences in the film industry with the pandemic
AYBALA HİLAL YÜKSEL
Yüksek Lisans
Türkçe
2025
İşletmeİbn Haldun ÜniversitesiBüyük Veri ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ NİHAT GÜMÜŞ
- İstatistiksel analiz yöntemleri ve makine öğrenme yöntemleri ile film başarı tahmini
Movie success prediction with statistical analysis techniques and machine learning methods
BUGAY SARIKAYA
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU DEDE ŞENER
- Design of marketing strategies based on forecast model for US movies in the Turkish motion picture industry
Türk film endüstrisindeki ABD filmleri için tahmin modelleri temelinde pazarlama stratejilerinin tasarlanması
SENDİ ÇAĞLIYOR
Doktora
İngilizce
2019
İşletmeİstanbul Bilgi ÜniversitesiOrganizasyon Çalışmaları Ana Bilim Dalı
PROF. DR. SELİME DEMET SEZGİN
- Using reviews on the web to predict box office success withmachine learning methods
Kullanıcı yorumları üzerinden makine öğrenimi ile film gişe başarısı tahmini
BURAK SİVRİKAYA
Yüksek Lisans
İngilizce
2019
Bilim ve TeknolojiBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. ARZUCAN ÖZGÜR TÜRKMEN
- 2001 sonrası Kathryn Bigelow sinemasının ideoloji bağlamında incelenmesi
Analysis Kathryn Bigelow cinema after 2001 in the context of ideology
SONER ERDÖNMEZ
Yüksek Lisans
Türkçe
2019
Radyo-TelevizyonMarmara ÜniversitesiRadyo Televizyon ve Sinema Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MELİHA ELİF DEMOĞLU