Film başarısının vizyon öncesinde çok kipli makine öğrenmesi modelleri ile tahmin edilmesi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü, YAZILIM MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: TAYFUN DURMUŞ
Danışman: Hakan Gündüz
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
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.