Veda vysvetľuje, prečo je skladba úspešná

Možno ste už povedali, že „všetky tieto piesne vyzerajú rovnako.“ Iba nová pieseň je úspešná a zasiahla hornú časť rebríčka, ktorý automaticky príde a hovorí, že vyzerá ako tá, ktorá, paradoxne, bola tiež úspešná. Aby sa zistilo, či je jedna skladba skutočne „rovnaká“ ako iná, rozhodli sa dvaja študenti z University of San Francisco v Kalifornii použiť pre túto misiu údaje Spotify.

Vedci použili verejné programovacie rozhranie Spotify na vytvorenie štyroch modelov strojového učenia, ktoré môžu predvídať, či sa skladba môže stať hitom. „Naším cieľom bolo zistiť, či hitové piesne mali podobné vlastnosti, a ak áno, či by sa tieto vlastnosti mohli použiť na predpovedanie toho, ktoré piesne budú úspešné v budúcnosti, “ vysvetlil Kai Middlebrook, jeden z vedcov.

On a kolega Kian Sheik sa zamerali na niektoré aspekty piesní, ako sú rytmus, valencia, energetická akustika, zvuk a tanec, a výsledkom boli štyri modely.

Foto: Pixabay

Logistická regresia: V tomto modeli je pieseň označená ako 1, čo znamená, že pieseň bude hitom, a 0, čo znamená, že pieseň prepadne. Každá vlastnosť skladby má váhu, ktorá pomáha predpovedať jej úspech. Tieto funkcie sa považujú za rýchle a ľahko interpretovateľné a môžu uľahčiť pochopenie závislých premenných (hudobných prvkov) závislých osôb (zásah alebo miss).

Náhodná lesná architektúra: V tomto modeli vedci používajú rozhodovacie stromy na rozdelenie údajov s objektívnym áno a bez otázok. Je však možné zapamätať si školiace údaje s veľmi úzkym ladením, čo znamená, že model nemusí zistiť skutočný vzťah medzi vlastnosťami a popularitou piesne, pretože údaje zvyčajne obsahujú informácie irelevantné. Preto Middlebrook a Sheik postavili tento model tak, aby kombinovali stovky tisíc stromov rozhodovania analyzovaním rôznych podmnožín, pomocou predpovedí spriemerovaním každého stromu a kombinovaním výsledkov. Tieto modely sú flexibilnejšie ako lineárne modely, čo je podľa Middlebrooka dôležitá výhoda.

Support Vector Machine: Tento model hľadá „hyperplán“, ktorý najlepšie rozdeľuje údaje do dvoch kategórií.

Neurónová sieť: V tomto modeli sa na učenie sa z hudobných údajov používa skrytá vrstva s 10 filtrami.

Vedci plánujú rozšíriť výskum

Dvaja vedci testovali výsledky získané pomocou historických údajov z Billboardu pomocou počítačovej siete University of San Francisco na analýzu čísel. Celý proces trval týždne.

Foto: Pixabay

Zistili, že „podporný vektorový stroj“ mal najvyššiu mieru presnosti zásahov a dosiahol pôsobivých 99, 53%. Najnižšia miera bola pri modeli „náhodných lesov“ s 88%. Ak by Middlebrook použil túto metódu analýzy na vydanie piesne nahrávacie spoločnosti, mali by silnejšie obchodné rozhodnutie.

Po záveru, že je možné predpovedať, či bude pieseň úspešná na základe analýzy ich zvuku, má dvojica v úmysle analyzovať ďalšie faktory, ktoré môžu prispieť k úspechu piesne, ako sú skúsenosti umelcov, prítomnosť na sociálnych sieťach a vplyv značky.