利用机器学习方法构建电影中的情感弧线，计算弧线系列，并展示了某些弧线预测观众参与度的能力。通过调查观众的反应，结果表明学习到的弧线成功地表示了影片故事的宏观方面，这进一步提高了我们作为讲故事人之间交流能力，以预测观众对视频故事的反应。

Dec, 2017

本文提出基于协作和内容的混合推荐系统，结合顶级评论家一致性和电影评分，建立一个推荐模型，可基于用户喜好和评论家评分综合推荐电影。

Dec, 2021

本研究旨在开发和分析多模态模型，预测观众观看电影片段时的情感反应。研究发现，通过提取 RGB 帧和光流的特征以及音频中的各种低级描述符，采用深度神经网络模型来进行情感预测更为精确。其中，光流特征比 RGB 视频更加信息含量丰富，且音频特征的预测精度高于视频特征。

Sep, 2019

测量和数据分析等最新技术的应用为解决情感体验和生理变化之间的相似性问题提供了希望，开放科学和开放数据实践以及面向学术界的数据分析挑战也是解决这一问题的有希望的工具。

Dec, 2023

本研究旨在创建适用于电影的标签，通过提出一种新型的神经网络模型，该模型将电影情节和情感融合以预测电影的标签，结果显示情感流的引入提高了标签的预测准确度。

Aug, 2018

本研究通过将情感融入歌曲推荐过程中，引入了一种人工智能模型，能够准确检测用户的实时情感，并生成符合用户情感状态的个性化歌曲推荐，从而提升用户体验，创造更具共鸣和意义的听歌体验。

Nov, 2023

通过 Affect2MM，我们提供了一种用于多媒体内容时间序列情感预测的学习方法，利用情感因果理论来计算实现对电影片段中情感的显式建模，通过基于注意力机制和格兰杰因果性的方法来显式建模情感的时间因果性，并使用 LSTM 的情感感知模型进行评估。

Mar, 2021

该论文提出了一种新颖的方法来执行新闻视频的情感分析，基于从内容中提取的音频、文字和视觉线索的融合。该方法旨在为构建媒体宇宙的 ethos（身份）的 semiodiscoursive 研究做出贡献，我们计算了从面部表情中识别出的视觉强度、参与者的声音调制、文本语音和情感得分（极性）。实验结果显示，该方法在情感分类任务中达到了高达 84％的准确度，因此在新闻界中具有极高的应用潜力。

Apr, 2016

研究多媒体推荐系统的协作过滤算法，并发现其中的流行度偏差问题，导致推荐列表中较不受欢迎的项目被低估。通过对 LastFm、MovieLens、BookCrossing 和 MyAnimeList 等数据集进行研究，结果表明对普及度不高的项目感兴趣的用户的推荐体验要比对普及度中等和高的项目感兴趣的用户的推荐体验更差。

Mar, 2022

我们提出了一个模型，通过联合方面识别和情感分析来汇总产品评论片段。我们的模型同时确定了评论中呈现的可评估方面的基础集，并确定了每个方面的相应情感，从而直接发现了产品的高评级或不一致方面。

Jan, 2014