Mar, 2024

超越节拍：歌曲流行的诀窍？一个机器学习方法

PDF
TL;DR探索使用机器学习模型预测歌曲流行度的能力，以分析歌曲特征及其对流行度的影响，发现流派是主要的影响因素之一，尤其是电子舞曲，在预测流行度方面，随机森林模型表现最为有效。
发现论文，激发创造
  • 相关节奏：发现你可能喜欢的音乐的推荐系统

    通过使用机器学习模型及百万曲目数据集，本文提出了一个音乐推荐系统，旨在优化为用户推荐喜欢的歌曲。

    Sep, 2023

  • 音乐类型分类：使用 Mel 频率倒谱系数和 Mel 频谱图的 CNN 和 XGBoost 方法的比较分析

    研究通过比较研究了卷积神经网络（CNN）、VGG16 和 eXtreme Gradient Boosting（XGBoost）三种模型在不同特征上的表现，30 秒的梅尔频谱图和 3 秒的梅尔频率倒谱系数（MFCCs），结果表明 MFCC XGBoost 模型胜出，此外，在数据预处理阶段应用数据分割可以显著提升 CNN 的性能。

    Jan, 2024

  • 音乐流行度：度量、特征和基于音频的预测

    本文研究了音乐流行度的定义、特征及其是否可预测，定义了 8 个流行度度量，通过长期真实世界图表数据进行分析并使用声学数据建立分类模型进行预测。结果表明，使用音频信号，尤其是复杂度和 MFCC 特征，可以明显提高歌曲流行度度量的预测性能。

    Dec, 2018

  • 音乐类型分类：训练一个 AI 模型

    通过使用机器学习算法和从音频信号提取的特征进行音乐流派分类，本研究旨在评估机器学习模型在流派分类中的鲁棒性并进行结果比较。

    May, 2024

  • 探究音乐推荐模型和商业流媒体服务中的受欢迎度偏差

    本文通过对三种最先进的推荐系统模型以及三种商用音乐流媒体服务的研究，尝试测量流行度偏见，发现准确度最高的模型（SLIM）也有最大的流行度偏见，而准确度较低的模型则有较少的流行度偏见。通过模拟用户实验，我们没有发现商业推荐存在流行度偏见的证据。

    Aug, 2022

  • 使用机器学习模型进行电影收入预测

    用机器学习模型预测电影收益，通过收集、预处理、分析、选择模型、评估和改进的结构化方法，构建了一个准确预测电影收益的模型，使用线性回归、决策树、随机森林回归、Bagging、XGBoosting 和 Gradient Boosting 进行训练和测试，通过超参数调整和交叉验证提高模型的准确性和泛化性，有助于电影行业做出明智的决策以最大化利润。

    May, 2024

  • 音乐推荐中的流行度偏见不公：一项可复现性研究

    研究表明推荐系统通常偏向于流行物品，造成不流行的物品在推荐中被低估，本文研究将 Abdollahpouri 等人的分析带入音乐推荐领域中，发现推荐算法在音乐领域也倾向于流行物品，最后在三组不同流行程度的使用者中比较准确性，发现低流行度群体的推荐表现最差。

    Dec, 2019

  • 通过多算法分析和用户友好可视化提升音乐流派分类

    用五个不同独立的算法对用户上传的歌曲进行分析，通过有监督学习从事例中学习来识别歌曲的独特之处，特别考虑音乐的流派，最终用图形工具展示分析结果。

    May, 2024

  • 只是文字，我全靠它们

    该论文表明了利用分布式表示范式进行音乐挖掘和自然语言处理任务时歌词的优势，并通过使用分布式表示克服了手工特征和歌词被认为是流派和流行度的弱指标两个瓶颈。

    Jan, 2019

  • 社交媒体中的新闻脉搏：流行度预测

    本文旨在通过建立多维特征空间来分析新闻文章的性质，采用回归和分类算法预测其在线受欢迎程度，发现可在 Twitter 上以 84% 的准确率范围内预测其受欢迎度，并突显传统来源与社交网络受欢迎性的差异。

    Feb, 2012