MovieSum: Un Dataset per la Sintesi Astratta di Copioni Cinematografici
MovieSum: An Abstractive Summarization Dataset for Movie Screenplays
August 12, 2024
Autori: Rohit Saxena, Frank Keller
cs.AI
Abstract
La sintesi di sceneggiature cinematografiche rappresenta una sfida significativa, poiché richiede la comprensione di contesti di input estesi e di vari elementi peculiari dei film. I modelli linguistici di grandi dimensioni hanno mostrato progressi notevoli nella sintesi di documenti, ma spesso incontrano difficoltà nel processare contesti di input lunghi. Inoltre, mentre le trascrizioni di programmi televisivi hanno ricevuto attenzione in studi recenti, la sintesi di sceneggiature cinematografiche rimane ancora poco esplorata. Per stimolare la ricerca in questo ambito, presentiamo un nuovo dataset, MovieSum, per la sintesi astrattiva di sceneggiature cinematografiche. Questo dataset comprende 2200 sceneggiature accompagnate dai relativi riassunti della trama di Wikipedia. Abbiamo formattato manualmente le sceneggiature per rappresentare i loro elementi strutturali. Rispetto ai dataset esistenti, MovieSum possiede diverse caratteristiche distintive: (1) Include sceneggiature cinematografiche, che sono più lunghe rispetto a quelle degli episodi televisivi. (2) È due volte più grande dei precedenti dataset di sceneggiature cinematografiche. (3) Fornisce metadati con ID IMDb per facilitare l'accesso a conoscenze esterne aggiuntive. Mostriamo inoltre i risultati di modelli linguistici di grandi dimensioni recentemente rilasciati applicati alla sintesi sul nostro dataset, fornendo una baseline dettagliata.
English
Movie screenplay summarization is challenging, as it requires an
understanding of long input contexts and various elements unique to movies.
Large language models have shown significant advancements in document
summarization, but they often struggle with processing long input contexts.
Furthermore, while television transcripts have received attention in recent
studies, movie screenplay summarization remains underexplored. To stimulate
research in this area, we present a new dataset, MovieSum, for abstractive
summarization of movie screenplays. This dataset comprises 2200 movie
screenplays accompanied by their Wikipedia plot summaries. We manually
formatted the movie screenplays to represent their structural elements.
Compared to existing datasets, MovieSum possesses several distinctive features:
(1) It includes movie screenplays, which are longer than scripts of TV
episodes. (2) It is twice the size of previous movie screenplay datasets. (3)
It provides metadata with IMDb IDs to facilitate access to additional external
knowledge. We also show the results of recently released large language models
applied to summarization on our dataset to provide a detailed baseline.