如何称霸粉丝圈？牛人教你预测爱豆的歌曲热度

​​

各大音乐软件都有本身的排行榜，大多数经过播放量、分享、下载等进行计算排名，那么热门歌曲是否是有必定的规律？是旋律优美，仍是歌词感人？咱们看下Dorien是如何利用数据科学从不同的角度——音频属性预测热门歌曲的。

正文

算法能够预测热门歌曲吗？让咱们来探索如何使用音频特征构建热门歌曲分类器，正如个人文章Dance Hit Song Prediction所述（文末有连接）。

在个人博士研究期间，我看到了Pachet＆Roi（2008）的一篇题为“热门歌曲科学还不是一门科学”的论文。我以为颇有趣，这使我开始探索是否能够预测热门歌曲。关于这个主题的研究很是有限，更完整的文献综述，请参阅Dance Hit Song Prediction（2014年）。咱们以为该模型的有效性能够经过专一于一个特定的流派来优化：舞曲。这对我来讲是很直观的，由于不一样的音乐类型的热门歌曲有着不一样的特色。

数据集

为了进行热门歌曲预测，咱们首先须要一个热门歌曲/非热门歌曲的数据集。热门歌曲的列表是很好找的，但不热门歌曲的列表却很难找。所以，咱们决定改成对热门列表中的高排名和低排名歌曲进行分类。咱们进行了一些实验来看哪一种分割效果最好，如表1所示，这产生了三个数据集（D1，D2和D3）：

表1 - 来自Herremans等人的热门数据集（2014年）

每一个数据集类的分布都有略微的不平衡：

图1 - Herremans等人的类分布（2014年）

热门歌曲列表的两个来源是：Billboard（BB）和Original Charts Company（OCC）。下表显示了收集的热门歌曲数量。请注意，歌曲会在排行榜停留数周，所以独特歌曲的数量要小得多：

表2 - 来自Herremans等人的热门数据集（2014年）

如今咱们有了一个歌曲列表，还须要它们的音频特征。咱们使用The EchoNest Analyzer（Jehan和DesRoches，2012）来提取一些音频特征。这个漂亮的API容许咱们根据艺术家姓名和歌曲标题得到许多音频特征（Echo Nest由Spotify收购，现已集成到Spotify API中）。看看咱们提取了什么：

标准音频功能

包括持续时间，速度，时间戳，模式（主要（1）或次要（0）），Key，响度，可舞蹈性（由回声巢计算，基于节拍强度，节奏稳定性，总体节奏等等，能量（由回声巢计算，基于响度和段持续时间）。

新的时间特征

因为歌曲随时间而变化，咱们根据Schindler＆Rauber（2012）添加了许多时间上聚合的特征。它们包括~1s段的平均值，方差，最小值，最大值，范围和80百分位数。这是为了如下特征：

• Timbre：音频音调色的PCA基向量（13维）。一种13维的矢量，它捕获歌曲每一段的音调颜色。
• 节拍差别：节拍之间的时间。
  

好哒！如今咱们有一个很好的音频特征集合，以及他们的顶部图表位置。像任何一个好的数据科学项目应该开始同样，让咱们作一些数据可视化。咱们注意到的第一件事是点击量随时间变化。十年前的热门歌曲不必定是今天的热门歌曲。随着时间的推移，当咱们将咱们的特征形象化时，这就变得明显了：

图2 - Herremans等人的交互式气泡图。（2014）

有趣的是，咱们看到舞曲的热门歌曲变得更短，更响亮，而且根据EchoNest的“舞蹈”特征，不是那么让人能够跳起舞来！

图3 - Herremans等人随时间推移的热门特征的演变（2014年）

有关特征完整可视化，请查看我关于可视化热门歌曲的简短文章:

http://dorienherremans.com/sites/default/files/dh_visualiation_preprint_0.pdf

http://musiceye.dorienherremans.com/clustering.html

模型

咱们探索了两种类型的模型：可理解模型和黑盒模型。正如预料，后者更有效率，但前者让咱们能够深刻了解为何一首歌能够成为热门歌曲。

决策树（C4.5）

为了使决策树适合页面，我将修剪设置为高。这使得树很小且易于理解，可是在D1上的AUC低至0.54。咱们看到只有时间特征留下来了！这意味着他们必定很重要。特别是Timbre 3（PCA音色矢量的第三维）反映的重点（锐度），彷佛对预测热门歌曲有影响。

图4 - Herremans等人的决策树（2014年）

基于规则的模型

使用RIPPER，能够获得一个与决策树很是类似的规则集。Timbre 3再次出现。此次，咱们的AUC在D1上为0.54。

表3 - Herremans等人的规则集（2014年）

朴素贝叶斯，Logistic回归，支持向量机（SVM）

有关这些技术的简单描述，请参阅 Dance Hit Song Prediction

最终结果

在进入结果以前，我应该强调在这里使用通常分类“准确性”是没有意义的，由于这些类是不平衡的（见图1）。若是要使用准确性，则应该是特定于类的。这是一个常见的错误，但要记住这一点很是重要。所以咱们使用ROC和AUC和混淆矩阵来正确评估模型。

10折交叉验证

咱们得到了数据集1（D1）和数据集2（D2）的最佳结果，没有特征选择（咱们在遗传搜索中使用了CfsSubsetEval）。全部特征在训练前都已标准化。因为D3在热门和不热门之间具备最小的“分裂”，所以这种结果是有意义的。整体而言，逻辑回归表现最佳。

表4 - Herremans等人的 AUC结果（2014年），有/没有特征选择（FS）

看下面的ROC曲线，咱们看到模型优于随机预言机（对角线）。

图5 -来自Herremans等人的 Logistic回归的ROC （2014年）

经过查看混淆矩阵能够看出分类准确性的细节，这代表正确识别不热门的歌曲并不容易！可是，热门的正确识别率可达68％。

表5-来自Herremans等人的 Logistic回归的混淆矩阵（2014年）

超时测试集

咱们还使用了按时间顺序排列的“新”歌曲做为测试集，而不是10折交叉验证。这可让性能进一步提高：

表6-来自Herremans等人的分裂与10倍CV的AUC （2014年）

有趣的是，该模型能够更好地预测新歌。致使这种偏斜的缘由是什么？也许它学会了预测趋势是如何随时间变化的？将来的研究应该着眼于，随着时间的推移音乐偏好的演变。

结论

仅关注音频特征，Dance Hit Song Prediction预测了，若是一首歌的AUC达到80%，将会进入热门歌曲前10名。咱们能作得更好吗？可能的！咱们在本研究中所看到的特征是有限的，所以要经过使用低级和高级音乐特征来扩展它，能够实现更高的精度。此外，在后续研究中，我研究了社交网络对热门预测产生的重大影响（Herremans＆Bergmans，2017）。

相关连接

• Data science for hit song prediction

https://towardsdatascience.com/data-science-for-hit-song-prediction-32370f0759c1

• Dance Hit Song Prediction

https://www.tandfonline.com/doi/abs/10.1080/09298215.2014.881888?casa_token=w0GGhjQd194AAAAA%3AV_YGtWJeIR869x4fYUfyyfFrPiCWhb56ddybPADsO9s9D-k8WaTZI4ADKxgILlufl3UbICsVZEWB5Q&journalCode=nnmr20

参考文献

• Herremans, D., Martens, D., &Sörensen, K. (2014). Dance hit song prediction. Journal of NewMusic Research, 43(3),291–302. [https://arxiv.org/pdf/1905.08076.pdf]
  

• Herremans, D., & Bergmans, T.(2017). Hit song prediction based on early adopter data and audio features. The18th International Society for Music Information Retrieval Conference (ISMIR)—Late Breaking Demo. Shuzou,China [preprint link]
  

• Herremans D., Lauwers W.. 2017.Visualizing the evolution of alternative hit charts. The 18th InternationalSociety for Music Information Retrieval Conference (ISMIR)—Late Breaking Demo. Shuzou,China [preprint link]
  

• Jehan T. and DesRoches D. 2012. EchoNestAnalyzer Documentation, URLdeveloper.echonest.com/docs/v4/_static/AnalyzeDocumentation. pdf
  

• Pachet, F., & Roy, P. (2008,September). Hit Song Science Is Not Yet a Science. In ISMIR(pp. 355–360).
  

• Schindler, A., & Rauber, A. (2012,October). Capturing the temporal domain in echonest features for improvedclassification effectiveness. In InternationalWorkshop on Adaptive Multimedia Retrieval (pp. 214–227).Springer, Cham.
  

做者：Dorien Herremans博士 - dorienherremans.com，新加坡科技与设计大学助理教授，负责人工智能音乐和音频实验室。

本文选自：towardsdatascience

本文转载自：TalkingData数据学堂

封面图来源：pexels by Rene Asmussen

点此阅读英文原文​​​​