Fugu-MT 論文翻訳(概要): Predicting Afrobeats Hit Songs Using Spotify Data

論文の概要: Predicting Afrobeats Hit Songs Using Spotify Data

arxiv url: http://arxiv.org/abs/2007.03137v2
Date: Mon, 10 Aug 2020 13:13:56 GMT
ステータス: 処理完了
システム内更新日: 2022-11-12 20:45:13.132291
Title: Predicting Afrobeats Hit Songs Using Spotify Data
Title（参考訳）: Spotifyのデータによるアフロビート予測
Authors: Adewale Adeagbo
Abstract要約: Spotify Web APIを通じて2063曲のデータセットが作成された。ランダムフォレストとグラディエントブースティングのアルゴリズムは、約86%のF1スコアで成功した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study approached the Hit Song Science problem with the aim of predicting which songs in the Afrobeats genre will become popular among Spotify listeners. A dataset of 2063 songs was generated through the Spotify Web API, with the provided audio features. Random Forest and Gradient Boosting algorithms proved to be successful with approximately F1 scores of 86%.
Abstract（参考訳）: この研究はヒット曲科学の問題にアプローチし、afrobeatsジャンルのどの曲がspotifyリスナーに人気になるかを予測することを目的としている。 2063曲のデータセットがSpotify Web APIを通じて生成され、オーディオ機能が提供される。ランダムフォレストとグラディエントブースティングのアルゴリズムは、約86%のF1スコアで成功した。

関連論文リスト

SongCreator: Lyrics-based Universal Song Generation [53.248473603201916]
SongCreatorは、声楽と伴奏の両方で曲を生成するという課題に取り組むために設計された曲生成システムである。モデルには2つの新しいデザインがある: ボーカルの情報と伴奏を収録するための巧妙に設計された二重系列言語モデル (M) と、DSLMのための一連の注意マスク戦略である。実験では,8つのタスクすべてに対して,最先端ないし競争的なパフォーマンスを実現することにより,SongCreatorの有効性を示す。
論文参考訳（メタデータ） (2024-09-09T19:37:07Z)
Enhancing Sequential Music Recommendation with Personalized Popularity Awareness [56.972624411205224]
本稿では、パーソナライズされた人気情報をシーケンシャルなレコメンデーションに組み込む新しいアプローチを提案する。実験結果から、パーソナライズされた最もポピュラーなレコメンデータは、既存の最先端モデルよりも優れていることが示された。
論文参考訳（メタデータ） (2024-09-06T15:05:12Z)
MuPT: A Generative Symbolic Music Pretrained Transformer [56.09299510129221]
音楽の事前学習におけるLarge Language Models (LLM) の適用について検討する。生成過程の異なるトラックからの不整合対策に関連する課題に対処するために,SMT-ABC Notation(Synchronized Multi-Track ABC Notation)を提案する。私たちのコントリビューションには、最大8192個のトークンを処理可能な一連のモデルが含まれており、トレーニングセットの象徴的な音楽データの90%をカバーしています。
論文参考訳（メタデータ） (2024-04-09T15:35:52Z)
Music Recommendation on Spotify using Deep Learning [0.0]
約5000万から40億ギガバイトのデータをホストしているSpotifyでは、毎日膨大な量のデータが生成される。本稿では,ディープラーニングのアプローチを応用して,利用者の嗜好度を最大化するための適切なフィルタリングを実現することを目的とする。
論文参考訳（メタデータ） (2023-12-10T07:35:17Z)
Fairness Through Domain Awareness: Mitigating Popularity Bias For Music Discovery [56.77435520571752]
音楽発見と人気バイアスの本質的な関係について検討する。本稿では,グラフニューラルネットワーク(GNN)に基づくレコメンデータシステムにおいて,人気バイアスに対処する,ドメイン対応の個別フェアネスに基づくアプローチを提案する。我々のアプローチでは、個々の公正さを用いて、真実を聴く経験、すなわち2つの歌が似ているとすると、この類似性は彼らの表現に反映されるべきである。
論文参考訳（メタデータ） (2023-08-28T14:12:25Z)
GETMusic: Generating Any Music Tracks with a Unified Representation and Diffusion Framework [58.64512825534638]
シンボリック・ミュージック・ジェネレーションは、ユーザーが音楽を作るのに役立つ音符を作成することを目的としている。私たちは「GETMusic」と呼ばれるフレームワークを紹介します。「GET'」は「GEnerate Music Tracks」の略です。 GETScoreは、音符をトークンとして表現し、2D構造でトークンを整理する。提案する表現は,非自己回帰生成モデルと組み合わせて,任意のソース・ターゲットトラックの組み合わせでGETMusicに音楽を生成する。
論文参考訳（メタデータ） (2023-05-18T09:53:23Z)
An Analysis of Classification Approaches for Hit Song Prediction using Engineered Metadata Features with Lyrics and Audio Features [5.871032585001082]
本研究は,より代替的なメタデータを用いて,Billboard Hot 100曲のトップ10ヒット曲の予測結果を改善することを目的としている。 k-nearest、Naive Bayes、Random Forest、Logistic Regression、Multilayer Perceptronの5つの機械学習アプローチが適用される。その結果,Random Forest (RF) と Logistic Regression (LR) は,それぞれ89.1%,87.2%,0.91,0.93AUCを達成している。
論文参考訳（メタデータ） (2023-01-31T09:48:53Z)
SpotHitPy: A Study For ML-Based Song Hit Prediction Using Spotify [0.0]
私たちは18500曲近いヒット曲と非ヒット曲のデータセットを集めました。 Spotify Web APIを使って音声機能を抽出した。およそ86%の精度でBillboardの成功を予測できたのです。
論文参考訳（メタデータ） (2023-01-19T10:13:52Z)
Context-Based Music Recommendation Algorithm Evaluation [0.0]
本稿では,ユーザが曲を好むかどうかを予測するための6つの機械学習アルゴリズムとその個々の精度について検討する。探索されたアルゴリズムには、ロジスティック回帰、ネイブベイズ、シークエンシャル最小最適化(SMO)、マルチレイヤーパーセプトロン(ニューラルネットワーク)、Nearest Neighbor、ランダムフォレストなどがある。 Spotify APIによって提供される各曲の特徴を分析することで、Random Forestはユーザーが84%の精度で曲を好むかどうかを予測する最も成功したアルゴリズムである。
論文参考訳（メタデータ） (2021-12-16T01:46:36Z)
Melody-Conditioned Lyrics Generation with SeqGANs [81.2302502902865]
本稿では,SeqGAN(Sequence Generative Adversarial Networks)に基づく,エンドツーエンドのメロディ条件付き歌詞生成システムを提案する。入力条件が評価指標に悪影響を及ぼすことなく,ネットワークがより有意義な結果が得られることを示す。
論文参考訳（メタデータ） (2020-10-28T02:35:40Z)
Hit Song Prediction Based on Early Adopter Data and Audio Features [5.88864611435337]
本研究は、楽曲のヒットポテンシャルを評価するための新たな戦略を提供する。音声データとソーシャルメディアの聴取行動を利用するモデルが多数開発された。その結果、トップ20のダンスヒットを予測した場合、アーリーアダプター動作に基づくモデルが良好に動作することがわかった。
論文参考訳（メタデータ） (2020-10-16T06:42:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。