論文の概要: Bayesian Negative Binomial Regression of Afrobeats Chart Persistence
- arxiv url: http://arxiv.org/abs/2601.01391v1
- Date: Sun, 04 Jan 2026 06:08:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-06 16:25:22.270693
- Title: Bayesian Negative Binomial Regression of Afrobeats Chart Persistence
- Title（参考訳）: Afrobeats Chart Persistence におけるベイズ陰性二項回帰
- Authors: Ian Jacob Cabansag, Paul Ntegeka,
- Abstract要約: Afrobeatsの曲は、チャートの可視性が収益と文化的影響の両方に影響を与えるストリーミングプラットフォームに注意を向けている。
本稿では,2024年からの日刊ナイジェリアのSpotify Top 200データを用いて,コラボレーションが楽曲をチャートに残すのに役立っているかを検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Afrobeats songs compete for attention on streaming platforms, where chart visibility can influence both revenue and cultural impact. This paper examines whether collaborations help songs remain on the charts longer, using daily Nigeria Spotify Top 200 data from 2024. Each track is summarized by the number of days it appears in the Top 200 during the year and its total annual streams in Nigeria. A Bayesian negative binomial regression is applied, with days on chart as the outcome and collaboration status (solo versus multi-artist) and log total streams as predictors. This approach is well suited for overdispersed count data and allows the effect of collaboration to be interpreted while controlling for overall popularity. Posterior inference is conducted using Markov chain Monte Carlo, and results are assessed using rate ratios, posterior probabilities, and predictive checks. The findings indicate that, after accounting for total streams, collaboration tracks tend to spend slightly fewer days on the chart than comparable solo tracks.
- Abstract（参考訳）: Afrobeatsの曲は、チャートの可視性が収益と文化的影響の両方に影響を与えるストリーミングプラットフォームに注意を向けている。
本稿では,2024年からの日刊ナイジェリアのSpotify Top 200データを用いて,コラボレーションが楽曲をチャートに残すのに役立っているかを検討する。
各トラックは、年間トップ200に表示される日数と、ナイジェリアの年間ストリーム総数によって要約される。
ベイズ陰性二項回帰(Bayesian negative binomial regression)が適用され、結果とコラボレーションステータス(ソロ対マルチアーティスト)がグラフに表示され、総ストリームが予測値として記録される。
このアプローチは、分散したカウントデータに適しており、全体的な人気をコントロールしながら、コラボレーションの効果を解釈することができる。
マルコフ連鎖モンテカルロを用いて後部推論を行い、レート比、後部確率、予測チェックを用いて結果を評価する。
その結果、全ストリームを考慮に入れた後、コラボレーショントラックは、同じソロトラックよりもチャート上でわずかに少ない日を過ごす傾向にあることがわかった。
関連論文リスト
- Lyrics Matter: Exploiting the Power of Learnt Representations for Music Popularity Prediction [47.3124073459729]
この研究は、人気を予想する上での歌詞の役割を過小評価するものである。
LLMを用いて高次元のリリック埋め込みを抽出する自動パイプラインを提案する。
これらの機能は、人気スコア予測のためにオーディオ、歌詞、ソーシャルメタデータを組み合わせたマルチモーダルアーキテクチャであるHitMusicLyricNetに統合されている。
論文 参考訳（メタデータ） (2025-12-05T08:09:26Z) - Predicting Music Track Popularity by Convolutional Neural Networks on Spotify Features and Spectrogram of Audio Waveform [3.6458439734112695]
本研究では,音楽トラックの人気を予測するために,畳み込みニューラルネットワーク(CNN)とSpotifyデータ分析を用いた先駆的手法を提案する。
このアプローチでは、オーディオ波形、メタデータ、ユーザエンゲージメントメトリクスのスペクトログラムに基づく音響特性など、Spotifyの幅広い機能を活用しています。
様々なジャンルや人口動態を網羅した大規模なデータセットを用いて、我々のCNNベースのモデルは、楽曲の人気を予測できる印象的な効果を示した。
論文 参考訳（メタデータ） (2025-05-12T07:03:17Z) - 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) - 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) - Continuous Attribution of Episodical Outcomes for More Efficient and
Targeted Online Measurement [4.361526134899724]
本研究では,段階的に観察される主指標を用いて,長期的結果のモデル化に因果サロガシーを適用した。
Airbnbのゲスト予約基準にこのアプローチを適用することで、50%から85%のばらつきが大幅に低減された。
論文 参考訳（メタデータ） (2022-10-28T19:20:20Z) - Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF)
我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。
我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
論文 参考訳（メタデータ） (2022-05-28T15:37:03Z) - Visualizing Ensemble Predictions of Music Mood [4.5383186433033735]
可視化技術は、時間軸に沿った異なる音楽セクションにおいて、一般的な予測と不確実性を効果的に伝達できることを示す。
我々は、視聴者が最も人気のある予測をより容易に観察し、測定できる「Dual-flux ThemeRiver」と呼ばれる新しい「ThemeRiver」を導入した。
論文 参考訳（メタデータ） (2021-12-14T18:13:21Z) - Time-Series Imputation with Wasserstein Interpolation for Optimal
Look-Ahead-Bias and Variance Tradeoff [66.59869239999459]
ファイナンスでは、ポートフォリオ最適化モデルをトレーニングする前に、損失の計算を適用することができる。
インキュベーションのために全データセットを使用するルックアヘッドバイアスと、トレーニングデータのみを使用することによるインキュベーションの大きなばらつきとの間には、本質的にトレードオフがある。
提案手法は,提案法における差分とルックアヘッドバイアスのトレードオフを最適に制御するベイズ後部コンセンサス分布である。
論文 参考訳（メタデータ） (2021-02-25T09:05:35Z) - A Closer Look at Temporal Sentence Grounding in Videos: Datasets and
Metrics [70.45937234489044]
2つの広く使用されているTSGVデータセット(Charades-STAとActivityNet Captions)を再編成し、トレーニング分割と異なるものにします。
基本的なIoUスコアを校正するために、新しい評価基準「dR@$n$,IoU@$m$」を導入する。
すべての結果は、再編成されたデータセットと新しいメトリクスがTSGVの進捗をよりよく監視できることを示している。
論文 参考訳（メタデータ） (2021-01-22T09:59:30Z) - Ambient Sound Helps: Audiovisual Crowd Counting in Extreme Conditions [64.43064637421007]
本稿では,視覚情報と聴覚情報を統合してカウントする,視覚的群集カウントという新しいタスクを紹介する。
大規模なベンチマークであるauDiovISual Crowd cOuntingデータセットを収集します。
我々は,視覚的特徴と聴覚的特徴のアフィン変換を行う線形特徴量融合モジュールを利用する。
論文 参考訳（メタデータ） (2020-05-14T16:05:47Z)
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。