超越节拍：歌曲流行的秘诀？一种机器学习方法
信息检索
2024-03-20 v1 机器学习
应用统计
摘要
受数据驱动算法和 Spotify 等流媒体平台兴起的推动，音乐流行度预测在工业界和学术界都引起了广泛关注。本研究旨在利用包含 1957 年至 2020 年间跨越不同流派的 30,000 首歌曲的数据集，探索各种机器学习模型在预测歌曲流行度方面的预测能力。方法：我们采用普通最小二乘法(OLS)、多元自适应回归样条(MARS)、随机森林和 XGBoost 算法来分析歌曲特征及其对流行度的影响。结果：普通最小二乘法(OLS)回归分析揭示流派是流行度的主要影响因素，并随时间呈现显著趋势。MARS 建模突出了变量之间的复杂关系，特别是与器乐性和持续时间等特征的关系。随机森林和 XGBoost 模型强调了流派（尤其是 EDM）在预测流行度方面的重要性。尽管性能存在差异，随机森林仍是最有效的模型，与平均得分相比将预测准确率提高了 7.1%。尽管流派很重要，但预测歌曲流行度仍然具有挑战性，因为观察到与音乐相关特征的变化表明流派与其他因素之间存在复杂的相互作用。因此，虽然响度和歌曲持续时间等某些特征可能会影响流行度得分，但准确预测歌曲的成功仍然难以实现。
引用
@article{arxiv.2403.12079,
title = {Beyond Beats: A Recipe to Song Popularity? A machine learning approach},
author = {Niklas Sebastian and Jung and Florian Mayer},
journal= {arXiv preprint arXiv:2403.12079},
year = {2024}
}
备注
14 pages