[论文解读] Hit Song Prediction Based on Early Adopter Data and Audio Features

Dorien Herremans, Tom Bergmans|arXiv (Cornell University)|Oct 16, 2020

Music and Audio Processing参考文献 4被引用 7

一句话总结

本研究提出了一种混合热门歌曲预测模型，结合Last.FM平台上的早期听众行为与EchoNest API提供的音频特征。基于早期听众数据的逻辑回归模型在预测前20名舞曲热门歌曲时，AUC达到0.79，优于仅使用音频特征的模型，表明在排行榜成功显现之前，社交聆听模式具有强大的预测能力。

ABSTRACT

Billions of USD are invested in new artists and songs by the music industry every year. This research provides a new strategy for assessing the hit potential of songs, which can help record companies support their investment decisions. A number of models were developed that use both audio data, and a novel feature based on social media listening behaviour. The results show that models based on early adopter behaviour perform well when predicting top 20 dance hits.

研究动机与目标

• 通过整合早期听众在社交媒体上的聆听行为与音频特征，提升热门歌曲预测的准确性。
• 通过引入实时聆听动态，弥补以往仅依赖音频或元数据模型的局限性。
• 验证假设：在排行榜排名出现之前，像Last.FM这样的平台上的早期听众行为能够预示未来的热门潜力。
• 创建一个基准数据集，整合Ultratop 50热门歌曲数据、Bubbling Under榜单的非热门歌曲，以及清洗后的Last.FM聆听记录，以供未来研究使用。

提出的方法

• 从比利时Ultratop 50舞曲排行榜（2011–2013年）中收集8,750首歌曲，将前20首标记为热门歌曲，将从未进入排行榜的Bubbling Under歌曲标记为非热门歌曲。
• 通过EchoNest API提取140个音频特征，包括时间特征和感知特征（如舞曲性与热度），并另建一个不包含预计算元特征的数据集。
• 在为期6个月的时间窗口内，收集并清洗了来自三类用户群体（如“持续关注新舞曲与电子音乐”）的854,060条Last.FM聆听记录。
• 基于累计用户聆听次数，构建每周歌曲级别的特征，并为那些后来成为热门歌曲但尚未进入排行榜的歌曲定义“预测性”标签。
• 使用10折交叉验证，在音频特征、早期听众行为以及组合数据集上训练多种分类器（逻辑回归、SVM、RIPPER、朴素贝叶斯、C4.5）。
• 使用AUC（ROC曲线下面积）评估性能，并对仅使用音频特征、元特征以及早期听众行为的模型进行独立分析。

实验结果

研究问题

• RQ1 与仅使用音频特征相比，Last.FM上的早期听众行为是否能更准确地预测未来的前20名舞曲热门歌曲？
• RQ2 与传统的基于音频特征的模型相比，引入社交聆听动态如何提升热门歌曲预测性能？
• RQ3 预计算的元特征（如“热度”）在音频数据中在多大程度上影响预测性能？仅依赖原始音频特征的模型是否仍能取得良好表现？
• RQ4 不同Last.FM用户群体在识别未来热门歌曲方面是否存在显著的预测能力差异？
• RQ5 结合音频与社交聆听数据的综合模型是否优于单一模型？通过超参数调优是否还能进一步提升性能？

主要发现

• 基于早期听众行为的逻辑回归模型取得了最高的AUC（0.79），显著优于仅使用音频特征的模型。
• 仅使用原始EchoNest特征的音频模型最高AUC为0.64，表明在缺乏元特征的情况下，其预测能力有限。
• 引入元特征（如“热度”）后，模型性能提升至AUC 0.77，表明这些特征可能已编码了排行榜成功的信号。
• 仅基于早期听众行为的模型中，朴素贝叶斯模型AUC为0.70，逻辑回归模型AUC为0.79，显示出强大的预测价值。
• 早期听众模型在多种分类器上均表现出一致性能，其中逻辑回归最为准确，表明其对模型选择具有鲁棒性。
• 本研究凸显了社交聆听数据作为热门潜力领先指标的潜力，且未对SVM进行参数调优，其性能可能通过调优进一步提升。