Наука объясняет, почему песня успешна

Возможно, вы уже сказали, что «все эти песни выглядят одинаково». Просто новая песня успешна и попадает на вершину хит-парадов, которые автоматически появляются, говоря, что это похоже на ту, которая, по иронии судьбы, также имела успех. Чтобы выяснить, действительно ли одна песня «совпадает» с другой, два студента-исследователя из Университета Сан-Франциско, Калифорния, решили использовать данные Spotify для этой миссии.

Ученые использовали общедоступный программный интерфейс Spotify для создания четырех моделей машинного обучения, которые могли бы предсказать, может ли песня стать успешной. «Наша цель состояла в том, чтобы увидеть, имеют ли хиты песни схожие характеристики, и если да, то можно ли использовать эти характеристики, чтобы предсказать, какие песни будут успешными в будущем», - объяснил Кай Миддлбрук, один из исследователей.

Он и его коллега Киан Шейх сосредоточились на некоторых аспектах песен, таких как ритм, валентность, энергетическая акустика, звук и танец, и в результате получилось четыре модели.

Фото: Pixabay

Логистическая регрессия: в этой модели одна песня помечена как 1, что означает, что песня станет хитом, и 0, что означает, что песня провалится. Каждая особенность песни имеет вес, который помогает предсказать ее успех. Эти функции считаются быстрыми и простыми для интерпретации и могут облегчить понимание зависимых переменных (музыкальных функций) зависимых лиц (попадание или пропуск).

Архитектура случайных лесов: В этой модели ученые используют деревья решений для разбивки данных с объективными вопросами «да» и «нет». Тем не менее, можно запомнить тренировочные данные с очень тщательной настройкой, что означает, что модель может не обнаруживать реальную взаимосвязь между функциями и популярностью песни, потому что данные обычно включают информацию не имеет значения. Поэтому Миддлбрук и Шейх построили эту модель для объединения сотен тысяч деревьев решений путем анализа различных подмножеств, прогнозирования путем усреднения каждого дерева и объединения результатов. Эти модели более гибкие, чем линейные, что, по мнению Миддлбрука, является важным преимуществом.

Машина опорных векторов: эта модель ищет «гиперплоскость», которая лучше всего разделяет данные на две категории.

Нейронная сеть: в этой модели скрытый слой с 10 фильтрами используется для изучения музыкальных данных.

Ученые планируют расширить исследования

Эти два ученых проверили результаты, полученные с историческими данными из Billboard, используя компьютерную сеть Университета Сан-Франциско, чтобы проанализировать числа. Весь процесс занял недели.

Фото: Pixabay

Они обнаружили, что «машина опорных векторов» имела самый высокий показатель точности попадания, достигнув впечатляющих 99, 53%. Самый низкий показатель был с моделью «случайный лес», с 88%. Для Middlebrook, если бы звукозаписывающие компании использовали этот метод анализа для выпуска песни, у них было бы более сильное деловое решение.

Сделав вывод, что на основе анализа их аудио можно предсказать, будет ли песня успешной, пара намерена проанализировать другие факторы, которые могут способствовать успеху песни, такие как опыт артиста, присутствие в социальных сетях и влияние лейбла.