用于测量与预测乐曲记忆度的数据集与基线方法
信息检索
2024-05-22 v1 机器学习
多媒体
声音
音频与语音处理
摘要
如今，人类不断接触音乐，无论是通过主动使用的流媒体服务，还是在商业广告期间的偶然接触。尽管音乐数量庞大，某些乐曲却更容易被记住，并往往获得更高的流行度。受此现象启发，我们专注于测量和预测音乐记忆度。为此，我们使用一种新颖的交互式实验流程收集了一个带有可靠记忆度标签的乐曲数据集。随后，我们利用可解释特征和音频梅尔频谱图作为输入，训练基线方法来预测和分析音乐记忆度。据我们所知，我们是首个使用数据驱动的深度学习方法探索音乐记忆度的团队。通过一系列实验和消融研究，我们证明尽管仍有改进空间，但在有限数据下预测音乐记忆度是可行的。某些内在元素，如更高的效价、唤醒度和更快的节奏，有助于使音乐令人难忘。随着预测技术的不断发展，音乐推荐系统和音乐风格转换等现实应用无疑将受益于这一新的研究领域。
引用
@article{arxiv.2405.12847,
title = {A Dataset and Baselines for Measuring and Predicting the Music Piece Memorability},
author = {Li-Yang Tseng and Tzu-Ling Lin and Hong-Han Shuai and Jen-Wei Huang and Wen-Whei Chang},
journal= {arXiv preprint arXiv:2405.12847},
year = {2024}
}