[論文レビュー] MusicMood: Predicting the mood of music from song lyrics using machine learning

Sebastian Raschka|arXiv (Cornell University)|Nov 1, 2016

Music and Audio Processing参考文献 12被引用数 10

ひとこと要約

本稿では、楽曲の歌詞を用いて、音楽が幸福な感情を伝えるか否かを予測するナイーブベイズ分類器を提案する。200曲の検証データセットで88.89%の精度を達成した。システムはn-gramおよびステミング手法を用いた前処理済みの歌詞からtf-idf特徴ベクトルを生成し、小さなデータセットサイズによる過学習の可能性があるものの、幸福な音楽を高精度にフィルタリングする能力を示した。

ABSTRACT

Sentiment prediction of contemporary music can have a wide-range of applications in modern society, for instance, selecting music for public institutions such as hospitals or restaurants to potentially improve the emotional well-being of personnel, patients, and customers, respectively. In this project, music recommendation system built upon on a naive Bayes classifier, trained to predict the sentiment of songs based on song lyrics alone. The experimental results show that music corresponding to a happy mood can be detected with high precision based on text features obtained from song lyrics.

研究の動機と目的

• 楽曲の歌詞のみを用いて、音楽の気分を「幸せ」または「悲しい」として予測する機械学習モデルの開発。
• 気分予測研究のための、2,773曲の歌詞から成る新しいデータセット（「幸せ」または「悲しい」とラベル付け済み）の作成。
• アーティスト名と楽曲名の入力を通じて、リアルタイムで音楽の気分を予測可能なWebアプリケーションの構築。
• 気分分類のための、さまざまなテキスト特徴表現および前処理技術の性能評価。
• テキストベースの感情分析を用いて、感情的トーンに応じて音楽ライブラリをフィルタリングする可能性の検証。

提案手法

• ミリオン・ソング・データセットからランダムに抽出された10,000曲のサブセットを用い、アーティスト名と楽曲名のメタデータを用いてLyricWikiaから歌詞を収集した。
• 英語語彙数と全語彙数の比較により、非英語の歌詞をフィルタリングし、英語が多数を占める楽曲のみを保持した。
• 最終的なデータセットは2,773曲であり、そのうち1,000首を訓練用、200首を検証用に分割した。気分ラベル（「幸せ」「悲しい」）は、歌詞の内容と聴取テストに基づき手動で割り当てた。
• テキスト特徴量は、n-gram（1〜3）、ストップワード除去、ポーター法によるステミングを適用したBag-of-Wordsモデルを用い、その後、バイナリ化、単語頻度（tf）、tf-idfベクトル化を実施した。
• 3種類のナイーブベイズモデル（多項式および多変量ベルヌーイ）を、訓練セット上で10分割交差検証を用いて訓練・評価し、グリッドサーチによるハイパーパramータチューニングを実施した。
• 最終モデルは全訓練セットで再訓練され、検証セットで評価された。性能指標には、適合率、再現率、ROC-AUCが用いられた。

実験結果

リサーチクエスチョン

• RQ1 歌詞のみを用いて、音楽の気分を「幸せ」または「悲しい」として正確に予測できるか？
• RQ2 ストップワード除去、ステミング、n-gramサイズなどの異なるテキスト前処理技術が、気分分類性能に与える影響は何か？
• RQ3 歌詞テキストの気分予測にナイーブベイズを用いる場合、最適な特徴表現（バイナリ化、tf、tf-idf）は何か？
• RQ4 高次元の特徴空間を持つ小さなデータセットで学習を行う場合、モデルの過学習はどの程度進行するか？
• RQ5 実用的な音楽推薦システムにおいて、誤検出を最小限に抑えて悲しい楽曲を除外できる、高適合率の気分分類器を構築可能か？

主な発見

• tf-idf特徴表現を用いた多項式ナイーブベイズ分類器が、ベルヌーイおよびtfベースのモデルを上回る最高のROC-AUCスコアを達成した。
• ストップワード除去は、すべての設定においてモデル性能を向上させた。これは、一般的な語彙が気分予測の信号を低下させる可能性を示唆している。
• 訓練セットでは99.60%の適合率、200曲の検証セットでは88.89%の適合率を達成した。これは、小さなデータセットサイズと広範なハイパーパramータチューニングによる過学習のリスクを示唆している。
• n-gramサイズをunigramを超えて拡大すると性能が低下し、すべての設定で1-gramが最良の結果をもたらした。
• ワードクラウドの可視化から、幸せな楽曲と悲しい楽曲の両方で関係のない一般的な語彙が顕著に見られた。これにより、tf-idfによるこれらの語彙の抑制が正当化された。
• モデルの高い適合率は、ジャンル分類などのさらなる処理の前段階で、大規模な音楽ライブラリから悲しい楽曲を信頼できるフィルタとして除外するのに適していることを支持する。