MovieSum: Een Abstract Samenvattingsdataset voor Filmscenario's

MovieSum: An Abstractive Summarization Dataset for Movie Screenplays

August 12, 2024

Auteurs: Rohit Saxena, Frank Keller

cs.AI

Samenvatting

Het samenvatten van filmscenario's is een uitdaging, omdat het een begrip vereist van lange invoercontexten en verschillende elementen die uniek zijn voor films. Grote taalmodelen hebben aanzienlijke vooruitgang geboekt in het samenvatten van documenten, maar ze hebben vaak moeite met het verwerken van lange invoercontexten. Bovendien, hoewel televisietranscripten recentelijk aandacht hebben gekregen in studies, blijft het samenvatten van filmscenario's onderbelicht. Om onderzoek op dit gebied te stimuleren, presenteren we een nieuwe dataset, MovieSum, voor abstractieve samenvatting van filmscenario's. Deze dataset bestaat uit 2200 filmscenario's, vergezeld van hun Wikipedia-plotbeschrijvingen. We hebben de filmscenario's handmatig opgemaakt om hun structurele elementen weer te geven. Vergeleken met bestaande datasets heeft MovieSum verschillende onderscheidende kenmerken: (1) Het bevat filmscenario's, die langer zijn dan scripts van tv-afleveringen. (2) Het is twee keer zo groot als eerdere datasets van filmscenario's. (3) Het biedt metadata met IMDb-ID's om de toegang tot aanvullende externe kennis te vergemakkelijken. We laten ook de resultaten zien van recent vrijgegeven grote taalmodelen die zijn toegepast op samenvattingen van onze dataset om een gedetailleerde basislijn te bieden.

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.