基于希伯来语字幕预测IMDb评分的电视剧集数据集-lielbinyamin1997
数据来源：互联网公开数据
标签：IMDb, 希伯来语字幕, 电视剧集, 评分预测, 自然语言处理, 机器学习, 情感分析, 推荐系统
数据概述：
本数据集旨在通过数据挖掘技术，利用电视剧集希伯来语字幕来预测剧集评分。数据集包含剧集信息、希伯来语字幕以及对应的IMDb评分。数据集共包含34,673条数据，主要由两个表格构成：
剧集元数据表：包含每集电视剧的详细信息。
剧集字幕表：包含每集剧集的希伯来语字幕及其对应的sub_id。
1. 剧集元数据表（tv_imdb_episode_data.csv）
该表包含详细的IMDb剧集信息，包括剧集评分、投票数和类型等。
列解释：
tconst_episode：剧集的唯一IMDb标识符。
tconst_season：季的唯一IMDb标识符。
seasonNumber：剧集所属季的季数。
episodeNumber：剧集在该季中的集数。
title_episode：剧集标题。
runtimeMinutes：剧集时长（分钟）。
title_series：剧集名称。
averageRating_season：该季的平均IMDb评分。
numVotes_series：该剧集的总投票数。
averageRating_episode：该剧集的IMDb评分。
numVotes_episode：该剧集的投票数。
Year_episode：剧集发布年份。
sub_id：字幕ID（用于与字幕数据集匹配）。
genres：剧集类型（例如：剧情、喜剧、科幻）。
2. 剧集字幕表（subid_subtitles.csv）
该表包含剧集的原始希伯来语字幕文本，通过sub_id与剧集元数据表对应。
列解释：
sub_id：字幕ID（与元数据表中的sub_id对应）。
subtitles：剧集的完整希伯来语字幕。
数据准备流程
1. 数据收集与合并
IMDb数据被抓取并结构化为一个包含剧集评分、剧集详细信息和投票数的表格。
希伯来语字幕从Wizdom API获取，需要与对应的IMDb剧集进行映射。
剧集集数和季数从API响应中的versioname提取，以确保准确匹配。
2. 字幕摘要与嵌入
使用Dicta-IL/dictalm2.0-instruct模型（针对希伯来语文本优化）来总结剧集字幕。
应用均值池化来获得代表每集完整字幕摘要的嵌入向量。
潜在应用场景
该数据集可用于：
✅ 自然语言处理（NLP）：分析希伯来语字幕来预测IMDb评分。
✅ 机器学习和人工智能：训练模型以确定字幕如何影响观众评分。
✅ 情感分析：从剧集字幕中提取基于情感的见解。
✅ 基于内容的推荐系统：使用字幕和评分来改进电视剧推荐。
如何使用此数据集
加载两个表格，并在sub_id列上进行合并，将字幕数据与剧集元数据结合起来。
致谢
IMDb提供剧集元数据。
Wizdom API提供希伯来语字幕数据。
Dicta-IL希伯来语NLP模型提供摘要。
