超越节拍:歌曲流行的诀窍?一个机器学习方法
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
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
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
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
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
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
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