論文の概要: An Analysis of Classification Approaches for Hit Song Prediction using Engineered Metadata Features with Lyrics and Audio Features

• arxiv url: http://arxiv.org/abs/2301.13507v1
• Date: Tue, 31 Jan 2023 09:48:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-01 17:06:50.001244
• Title: An Analysis of Classification Approaches for Hit Song Prediction using Engineered Metadata Features with Lyrics and Audio Features
• Title（参考訳）: 歌詞・音声特徴を用いたメタデータ特徴量を用いたヒット曲予測のための分類手法の解析
• Authors: Mengyisong Zhao, Morgan Harvey, David Cameron, Frank Hopfgartner and Valerie J. Gillet
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.871032585001082
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hit song prediction, one of the emerging fields in music information retrieval (MIR), remains a considerable challenge. Being able to understand what makes a given song a hit is clearly beneficial to the whole music industry. Previous approaches to hit song prediction have focused on using audio features of a record. This study aims to improve the prediction result of the top 10 hits among Billboard Hot 100 songs using more alternative metadata, including song audio features provided by Spotify, song lyrics, and novel metadata-based features (title topic, popularity continuity and genre class). Five machine learning approaches are applied, including: k-nearest neighbours, Naive Bayes, Random Forest, Logistic Regression and Multilayer Perceptron. Our results show that Random Forest (RF) and Logistic Regression (LR) with all features (including novel features, song audio features and lyrics features) outperforms other models, achieving 89.1% and 87.2% accuracy, and 0.91 and 0.93 AUC, respectively. Our findings also demonstrate the utility of our novel music metadata features, which contributed most to the models' discriminative performance.
• Abstract（参考訳）: 音楽情報検索(MIR)における新たな分野の一つであるヒット曲予測は,依然として大きな課題である。 特定の曲がヒットする理由を理解することは、音楽業界全体にとって明らかに有益である。 ヒット曲予測へのこれまでのアプローチは、レコードの音声機能の使用に焦点を当ててきた。 本研究の目的は、Spotifyの楽曲音声機能、歌詞、新しいメタデータベースの機能(タイトルトピック、人気連続性、ジャンルクラス)など、より代替的なメタデータを用いて、Billboard Hot 100の上位10曲の予測結果を改善することである。 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,他のモデルよりも優れていた。 また, 新たな音楽メタデータ機能の有用性を実証し, モデルの識別性能に大きく寄与した。

関連論文リスト

• Music Era Recognition Using Supervised Contrastive Learning and Artist Information [11.126020721501956]
  音楽時代情報は、プレイリストの生成とレコメンデーションにとって重要な機能である。 音声から年齢を予測するために,音声に基づくモデルを開発した。 アーティスト情報が入手可能な場合には,マルチモーダル入力を受信するための音声モデルを拡張し,マルチモーダルコントラスト学習(MMC)と呼ばれるフレームワークを開発し,トレーニングを強化する。
  論文  参考訳（メタデータ） (2024-07-07T13:43:55Z)
• MuPT: A Generative Symbolic Music Pretrained Transformer [73.47607237309258]
  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)
• Beyond Beats: A Recipe to Song Popularity? A machine learning approach [2.6422127672474933]
  本研究は,歌の人気予測における各種機械学習モデルの予測力について検討することを目的とする。 楽曲の特徴と人気に対する影響を分析するために,通常最小方形(OLS)回帰分析を用いる。 ランダムフォレストが最も効果的なモデルとして登場し、平均スコアに比べて予測精度が7.1%向上している。
  論文  参考訳（メタデータ） (2024-03-01T17:14:41Z)
• Exploring Meta Information for Audio-based Zero-shot Bird Classification [113.17261694996051]
  本研究では,メタ情報を用いてゼロショット音声分類を改善する方法について検討する。 我々は,多種多様なメタデータが利用可能であることから,鳥種を例として用いている。
  論文  参考訳（メタデータ） (2023-09-15T13:50:16Z)
• MARBLE: Music Audio Representation Benchmark for Universal Evaluation [79.25065218663458]
  我々は,UniversaL Evaluation(MARBLE)のための音楽音響表現ベンチマークを紹介する。 音響、パフォーマンス、スコア、ハイレベルな記述を含む4つの階層レベルを持つ包括的分類を定義することで、様々な音楽情報検索(MIR)タスクのベンチマークを提供することを目的としている。 次に、8つの公開データセット上の14のタスクに基づいて統一されたプロトコルを構築し、ベースラインとして音楽録音で開発されたすべてのオープンソース事前学習モデルの表現を公平かつ標準的に評価する。
  論文  参考訳（メタデータ） (2023-06-18T12:56:46Z)
• 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)
• 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)
• Exploring the Efficacy of Pre-trained Checkpoints in Text-to-Music Generation Task [86.72661027591394]
  テキスト記述から完全で意味論的に一貫したシンボリック音楽の楽譜を生成する。 テキスト・音楽生成タスクにおける自然言語処理のための公開チェックポイントの有効性について検討する。 実験結果から, BLEUスコアと編集距離の類似性において, 事前学習によるチェックポイントの使用による改善が統計的に有意であることが示唆された。
  論文  参考訳（メタデータ） (2022-11-21T07:19:17Z)
• Review-Based Tip Generation for Music Songs [15.318127987849092]
  我々は,楽曲レビューからヒントを自動的に生成するGenTMSというフレームワークを提案する。 データセットは、128曲の8,003の中国製チップ/ノンチップで構成されている。 実験の結果、GenTMSは85.56%でトップ10の精度を達成し、最低でも3.34%の精度でベースラインモデルを上回った。
  論文  参考訳（メタデータ） (2022-05-14T06:40:49Z)
• 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)
• MusicBERT: Symbolic Music Understanding with Large-Scale Pre-Training [97.91071692716406]
  シンボリック・ミュージックの理解(シンボリック・ミュージックの理解)とは、シンボリック・データから音楽を理解することを指す。 MusicBERTは、音楽理解のための大規模な事前訓練モデルである。
  論文  参考訳（メタデータ） (2021-06-10T10:13:05Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。