[論文レビュー] Song Hit Prediction: Predicting Billboard Hits Using Spotify Data

Kai Middlebrook, K Meheboob Sheik|arXiv (Cornell University)|Aug 22, 2019

Music and Audio Processing参考文献 1被引用数 14

ひとこと要約

本研究では、180万件のSpotifyトラックから得た音声およびメタデータ特徴量を用いて、Billboard Hot 100ヒット曲を予測する。BillboardチャートデータとSpotifyの音声分析を統合した。最も優れた性能を示したモデルはランダムフォレスト分類器で、ヒット曲と非ヒット曲を区別する精度が88%に達した。音声特徴量とアーティストの過去の実績が、楽曲の成功を予測する上で顕著に寄与することが示された。

ABSTRACT

In this work, we attempt to solve the Hit Song Science problem, which aims to predict which songs will become chart-topping hits. We constructed a dataset with approximately 1.8 million hit and non-hit songs and extracted their audio features using the Spotify Web API. We test four models on our dataset. Our best model was random forest, which was able to predict Billboard song success with 88% accuracy.

研究の動機と目的

• ヒット・ソング・サイエンス問題に取り組み、どの楽曲がBillboard Hot 100のトップ・トーカーとなるかを予測すること。
• 過去の研究を拡張し、約180万曲のデータセットを構築し、そのうち12,000曲がBillboardヒット曲、12,000曲が非ヒット曲を含むこと。
• 音声およびメタデータ特徴量を用いて複数の機械学習モデルを評価し、最も精度の高いヒット予測手法を同定すること。
• アーティストの過去の実績と音声特徴量が、ヒット予測精度に与える影響を調査すること。
• 音楽業界の関係者が投資やプロmotion意思決定を下すために、堅牢でスケーラブルなモデルを提供すること。

提案手法

• 1985年から2018年までのSpotifyの180万件のトラックを収集し、タイとアーティスト名による照合を用いて、1985年から2018年までのBillboard Hot 100データと統合した。
• 非ヒット曲をSpotifyからサンプリングすることで、ヒット曲12,000曲と非ヒット曲12,000曲を含むバランスの取れた24,000件のデータセットを構築した。
• ダンス性、エナジー、バリエンスなどの音声分析、トラックの長さ、人気度などのメタデータ、およびアーティストの過去ヒット数を含む、合計27の特徴量を抽出した。
• ロジスティック回帰、フィードフォワードニューラルネットワーク（1層の隠れ層、ReLU活性化関数）、ランダムフォレスト、RBFカーネルを用いたSVMの4つのモデルを訓練および評価した。
• ランダムフォレストモデルでは、80エスティメーター、最大特徴量数8、ジニ基準を設定した。SVMでは、C=10、γ=0.1を設定した。
• 重複のないトレーニング、バリデーション、テストセットにデータを分割し、各セットに均等なクラス分布が保たれるようにした。

実験結果

リサーチクエスチョン

• RQ1 Spotifyの音声およびメタデータ特徴量を用いて、どの楽曲がBillboard Hot 100ヒット曲となるかを予測できるか？
• RQ2 ヒット曲予測において、異なる機械学習モデルの精度、適合率、再現率はどのように比較できるか？
• RQ3 アーティストの過去の実績を組み込むことで、音声特徴量のみに依存する場合と比較して、ヒット予測の精度が向上するか？
• RQ4 どのモデルが偽陽性を最小限に抑えるか？また、そのような特性が音楽レーベルの投資意思決定においてなぜ重要なのか？
• RQ5 エネルギー、ダンス性、バリエンスといった音声特徴量が、チャート成功とどの程度相関しているか？

主な発見

• ランダムフォレストモデルが、テスト精度87.7%、バリデーション精度88.7%を達成し、ロジスティック回帰、ニューラルネットワーク、SVMを上回る最高の性能を示した。
• ランダムフォレストモデルはバリデーションセットで適合率86%、再現率90%を記録し、適合率と感受性の両面で良好なバランスを示した。
• SVMモデルはバリデーションセットで最高の適合率99.5%を達成し、偽陽性予測を極力避ける信頼性の高さを示した。
• ニューラルネットワークモデルは、トレーニングとバリデーションの性能が類似していたことから、過学習が見られず、テスト精度82.14%を達成した。
• ロジスティック回帰はテスト精度81.51%、再現率92.98%を達成し、真のヒット曲を識別する能力は非常に優れていたが、適合率はやや低かった。
• ランダムフォレストモデルの混同行列では、153件の偽陽性と82件の偽陰性が確認され、全体として誤差率が比較的低いことが示された。