Using Full-Text Content to Characterize and Identify Best Seller Books

要約

芸術作品は様々な観点から研究することが可能であり、その一例として、読者の間で時間の経過とともに受け入れられていくことが挙げられる。本研究では、文学作品の観点からこの興味深いトピックに取り組み、特に、本がベストセラーになるかどうかを予測するタスクを評価する。従来のアプローチとは異なり、我々は書籍の全内容に焦点を当て、視覚化と分類のタスクを検討した。データ構造と特性の予備的な探索のために、SemAxisと線形判別分析を含む視覚化を採用しました。そして、定量的でより客観的な結果を得るために、様々な分類器を採用した。これらのアプローチは、(i)1895年から1924年に出版され、Publishers Weekly Bestseller Listsによってベストセラーとされた書籍と、(ii)同時期に出版されたが同リストには記載されていない文学作品からなるデータセットとともに使用された。各手法を比較した結果、単語袋表現とロジスティック回帰分類器を組み合わせた最も優れた結果は、1回切りと10回クロスバリデーションの両方で平均0.75の精度となった。このような結果は、テキストの全内容のみを用いて書籍の成功を高い精度で予測することは不可能であることを示唆しています。しかし、この結果は、文学作品の相対的な成功につながる要因について洞察を与えるものである。

要約(オリジナル)

Artistic pieces can be studied from several perspectives, one example being their reception among readers over time. In the present work, we approach this interesting topic from the standpoint of literary works, particularly assessing the task of predicting whether a book will become a best seller. Dissimilarly from previous approaches, we focused on the full content of books and considered visualization and classification tasks. We employed visualization for the preliminary exploration of the data structure and properties, involving SemAxis and linear discriminant analyses. Then, to obtain quantitative and more objective results, we employed various classifiers. Such approaches were used along with a dataset containing (i) books published from 1895 to 1924 and consecrated as best sellers by the Publishers Weekly Bestseller Lists and (ii) literary works published in the same period but not being mentioned in that list. Our comparison of methods revealed that the best-achieved result – combining a bag-of-words representation with a logistic regression classifier – led to an average accuracy of 0.75 both for the leave-one-out and 10-fold cross-validations. Such an outcome suggests that it is unfeasible to predict the success of books with high accuracy using only the full content of the texts. Nevertheless, our findings provide insights into the factors leading to the relative success of a literary work.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL