超越记忆点：利用来自流媒体、音频信号与感知特征的机器学习预测 Billboard Hot 100 榜单入选
机器学习
2025-09-30 v1
摘要
数字流媒体平台的出现最近彻底改变了音乐产业的格局，随之而来的数字化提供了结构化的数据集合，为研究流行度动态和主流成功开辟了新的研究途径。本研究探讨了哪些决定因素对曲目入选 Billboard Hot 100 榜单具有最强的预测影响力，包括流媒体流行度、可测量的音频信号属性以及人类收听的概率指标。分析表明，流行度是迄今为止决定 Billboard Hot 100 入选的最具决定性的预测因子，其中器乐性、效价、时长和语音度的贡献也相当大。逻辑回归达到了 90.0% 的准确率，对上榜单曲的召回率非常高（0.986），但对未上榜单曲的召回率较低（0.813），产生了约 0.90 的均衡 F1 分数。随机森林将性能略微提升至 90.4% 的准确率，对未上榜单曲保持了近乎完美的精确度（0.990），对上榜单曲保持了高召回率（0.992），F1 分数高达 0.91。梯度提升（XGBoost）达到了 90.3% 的准确率，通过提高未上榜单曲的召回率（0.837）同时维持上榜单曲的高召回率（0.969），提供了更为均衡的权衡，从而产生了与其他模型相当的 F1 分数。
引用
@article{arxiv.2509.24856,
title = {Beyond the Hook: Predicting Billboard Hot 100 Chart Inclusion with Machine Learning from Streaming, Audio Signals, and Perceptual Features},
author = {Christos Mountzouris},
journal= {arXiv preprint arXiv:2509.24856},
year = {2025}
}
备注
17 pages, 6 figures, 3 tables