利用工程化元数据特征结合歌词与音频特征进行热门歌曲预测的分类方法分析
信息检索
2023-02-01 v1 机器学习
声音
音频与语音处理
摘要
热门歌曲预测作为音乐信息检索（MIR）中的新兴领域之一，仍是一项相当大的挑战。能够理解给定歌曲成为热门的原因显然有益于整个音乐产业。先前的热门歌曲预测方法侧重于使用唱片的音频特征。本研究旨在利用更多替代性元数据（包括 Spotify 提供的歌曲音频特征、歌曲歌词以及基于元数据的新颖特征（标题主题、流行连续性与流派类别））来改进 Billboard Hot 100 歌曲中前 10 名热门歌曲的预测结果。应用了五种机器学习方法，包括：k近邻、朴素贝叶斯、随机森林、逻辑回归和多层感知机。我们的结果表明，使用所有特征（包括新颖特征、歌曲音频特征和歌词特征）的随机森林（RF）和逻辑回归（LR）优于其他模型，分别达到 89.1% 和 87.2% 的准确率，以及 0.91 和 0.93 的 AUC。我们的发现也证明了新颖音乐元数据特征的效用，它们对模型的判别性能贡献最大。
引用
@article{arxiv.2301.13507,
title = {An Analysis of Classification Approaches for Hit Song Prediction using Engineered Metadata Features with Lyrics and Audio Features},
author = {Mengyisong Zhao and Morgan Harvey and David Cameron and Frank Hopfgartner and Valerie J. Gillet},
journal= {arXiv preprint arXiv:2301.13507},
year = {2023}
}