[논문 리뷰] Song Hit Prediction: Predicting Billboard Hits Using Spotify Data

Kai Middlebrook, K Meheboob Sheik|arXiv (Cornell University)|2019. 08. 22.

Music and Audio Processing참고 문헌 1인용 수 14

한 줄 요약

이 연구는 180만 개의 Spotify 트랙에서 추출한 오디오 및 메타데이터 특징을 사용하여 Billboard Hot 100 히트 곡을 예측한다. 이는 Billboard 차트 데이터와 Spotify의 오디오 분석을 결합한 것이다. 최고의 성능을 보인 모델인 랜덤 포레스트 분류기는 히트 곡과 비히트 곡을 구분하는 데 88%의 정확도를 기록했으며, 오디오 특징과 아티스트의 과거 성과가 곡 성공 여부를 예측하는 데 중요한 요소임을 입증한다.

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.

연구 동기 및 목표

• 히트 곡 과학 문제를 해결하기 위해 어떤 곡이 Billboard Hot 100 정상에 오를지를 예측하는 것.
• 이전 연구를 확장하기 위해 약 180만 개의 곡을 포함한 더 큰 데이터셋을 구축하는 것 (히트 곡 12,000개, 비히트 곡 12,000개 포함).
• 다양한 기계학습 모델을 오디오 및 메타데이터 특징에 적용하여 가장 정확한 히트 곡 예측 방법을 규명하는 것.
• 아티스트의 과거 성과와 오디오 특징이 히트 곡 예측 정확도에 미치는 영향을 조사하는 것.
• 음악 산업의 이해관계자들이 투자 및 홍보 전략을 수립하는 데 사용할 수 있는 강력하고 확장 가능한 모델을 제공하는 것.

제안 방법

• 1985~2018년 동안의 Spotify에서 180만 개의 트랙을 수집한 후, 제목과 아티스트를 기반으로 Billboard Hot 100 데이터와 병합했다.
• 비히트 곡을 Spotify에서 샘플링하여 히트 곡 12,000개와 비히트 곡 12,000개로 이루어진 균형 잡힌 데이터셋 24,000개를 구성했다.
• 댄스성, 에너지, 밸런스 등 오디오 분석(예: danceability, energy, valence), 트랙 메타데이터(예: 지속시간, 인기도), 아티스트 과거 성과(이전 히트 곡 수) 등을 포함한 총 27개의 특징을 추출했다.
• 로지스틱 회귀, 피드포워드 신경망(은닉층 1개, ReLU 활성화 함수), 랜덤 포레스트, RBF 커널을 사용한 SVM의 네 가지 모델을 훈련하고 평가했다.
• 랜덤 포레스트 모델에서는 80개의 결정 트리, 최대 특징 수 8개, 지니 불순도 기준을 사용했으며, SVM에서는 C=10, γ=0.1로 설정했다.
• 훈련, 검증, 테스트 세트로 데이터를 분할하였으며, 상호 간 중복 없이 각 세트에 균형 잡힌 클래스 분포를 확보했다.

실험 결과

연구 질문

• RQ1 Spotify의 오디오 및 메타데이터 특징을 사용하여 어떤 곡이 Billboard Hot 100 히트 곡이 될지를 예측할 수 있는가?
• RQ2 다양한 기계학습 모델이 히트 곡 예측의 정확도, 정밀도, 재현율 측면에서 어떻게 비교되는가?
• RQ3 아티스트의 과거 성과를 통합할 경우, 오디오 특징만으로 예측하는 것보다 히트 곡 예측 정확도가 향상되는가?
• RQ4 어느 모델이 가장 낮은 거짓 양성 예측(이상치)을 보이며, 이는 음악 레이블의 투자 결정에 왜 중요한가?
• RQ5 에너지, 댄스성, 밸런스 등의 오디오 특징이 차트 성공과 얼마나 상관이 있는가?

주요 결과

• 랜덤 포레스트 모델은 테스트 정확도 87.7%와 검증 정확도 88.7%를 기록하여 로지스틱 회귀, 신경망, SVM를 모두 앞섰다.
• 랜덤 포레스트 모델은 검증 세트에서 정밀도 86%와 재현율 90%를 기록하여 정밀도와 민감도 사이의 균형이 잘 잡혀 있음을 보여주었다.
• SVM 모델은 검증 세트에서 가장 높은 정밀도(99.5%)를 기록하여 거짓 양성 예측을 피하는 데 매우 신뢰할 수 있음을 시사했다.
• 신경망 모델은 과적합이 없음을 보여주는 유사한 훈련 및 검증 성능을 바탕으로 테스트 정확도 82.14%를 달성했다.
• 로지스틱 회귀는 테스트 정확도 81.51%와 재현율 92.98%를 기록하여 진짜 히트 곡을 식별하는 능력은 뛰어나지만 정밀도는 낮은 편이었다.
• 랜덤 포레스트 모델의 혼동 행렬은 153개의 거짓 양성과 82개의 거짓 음성 예측을 보여주었으며, 전반적으로 낮은 오류율을 나타냈다.