Movie Feelings est un ensemble de données de caractéristiques émotionnelles liées aux films, conçu pour caractériser de manière systématique les émotions nuancées qu'ils suscitent. Il s'affranchit des limitations des ensembles de données traditionnels qui se contentent de classer les émotions positives et négatives ou les émotions de base. Il est largement utilisé dans la construction de systèmes de recommandation de films, la prédiction des notes d'audience, la recherche en modélisation des émotions et l'évaluation comparative des modèles de traitement automatique du langage naturel (TALN) et des grands modèles de langage pour les tâches de compréhension des émotions. Il peut également servir à analyser la corrélation entre différents profils émotionnels et les critiques de films, fournissant ainsi un soutien important aux sciences sociales computationnelles et à l'analyse des données cinématographiques et télévisuelles. Cet ensemble de données comprend 1 500 films représentatifs et culturellement influents, couvrant la période de 1920 à 2024 et 50 états émotionnels, dont le doute, la peur, le calme, le dégoût, la solidarité et la joie. Il inclut des informations de base sur chaque film, des données de notation, le synopsis et trois systèmes indépendants de caractéristiques émotionnelles (F1/F2/F3) : F1 est un système de caractéristiques continues basé sur les critiques de films, tandis que F2 et F3 correspondent aux trois principales étiquettes émotionnelles discrètes générées par inférence du modèle.

Système de caractéristiques émotionnelles

• F1 (NLP basé sur les critiques, caractéristiques émotionnelles) : Basé sur 880 000 textes de critiques de films, il génère des caractéristiques d'intensité émotionnelle continues à 50 dimensions (0-1) en faisant correspondre et en analysant statistiquement un thésaurus d'émotions.
• F2 (Transformer, caractéristiques émotionnelles pour la compréhension de l'intrigue) : Utilise BART pour la classification des émotions sans exemple et le combine avec RoBERTa pour le réordonnancement sémantique afin de modéliser la compréhension des résumés d'intrigue de films, en sélectionnant les 3 émotions principales parmi 50 émotions comme caractéristiques binaires.
• F3 (GPT-4o, Caractéristiques émotionnelles génératives) : Basé sur GPT-4o, il déduit directement les émotions de l'intrigue du film, génère les étiquettes émotionnelles Top-3 à partir d'un ensemble limité de 50 émotions et les convertit en caractéristiques binaires.