Πρόβλεψη των τραγουδιών που θα γίνουν επιτυχίες μέσω δεδομένων του Spotify

Πρόβλεψη των τραγουδιών που θα γίνουν επιτυχίες μέσω δεδομένων του Spotify
Headphones are seen in front of a logo of online music streaming service Spotify in this illustration picture taken in Strasbourg, February 18, 2014. Spotify is recruiting a U.S. financial reporting specialist, adding to speculation that the Swedish start-up is preparing for a share listing, which one banker said could value the firm at as much as $8 billion. REUTERS/Christian Hartmann (FRANCE - Tags: BUSINESS ENTERTAINMENT LOGO) - RTX1914U
Μάλιστα, μελλοντικά οι ερευνητές σκοπεύουν να διερευνήσουν και άλλους παράγοντες που συμβάλλουν στην επιτυχία, όπως η παρουσία στα social media, η εμπειρία του καλλιτέχνη κ.α.

Δύο φοιτητές και ερευνητές του University of San Francisco (USF) πρόσφατα επιχείρησαν να προβλέψουν ποια τραγούδια θα γίνονταν επιτυχίες μέσω μοντέλων machine learning. Στη μελέτη τους, που προδημοσιεύτηκε στο arXiv, εκπαίδευσαν τέσσερα μοντέλα πάνω σε δεδομένα σχετικά με τραγούδια μέσω του Spotify Web API και μετά αξιολόγησαν τις επιδόσεις τους ως προς την πρόβλεψη πάνω στο ποια από αυτά θα γίνονταν επιτυχίες.

«Είμαι μεγάλος φαν της μουσικής, και ακούω μουσική όλη μέρα» είπε στο TechXplore ένας από τους ερευνητές, ο Κάι Μίντλμπρουκ. «Την περασμένη άνοιξη άρχισα ένα ερευνητικό project πάνω στην αυτόματη καταχώρηση ειδών μουσικής με τον καθηγητή Ντέιβιντ Γκάι Μπριζάν στο USF. Το πρόγραμμα απαιτούσε έναν μεγάλο όγκο μουσικών δεδομένων, και οι δημοφιλείς υπηρεσίες streaming μουσικής έχουν ακριβώς το είδος των δεδομένων που χρειαζόμουν».

Ενώ δούλευε πάνω στο project, έμαθε πως το Spotify επιτρέπει στους developers να έχουν πρόσβαση στα μουσικά τους δεδομένα. Αυτό τον ενθάρρυνε να αρχίσει να πειραματίζεται. Λίγο καιρό μετά, άρχισε να δουλεύει πάνω στο αντικείμενο με έναν φίλο του, επίσης επιστήμονα, τον Κίαν Σέικ. Όταν έγινε επιτυχία το «Old Town Road» (Lil Nas X) αναρωτήθηκαν εάν ένας υπολογιστής θα μπορούσε να το είχε προβλέψει αυτό.

Οι Μίντλμπρουκ και Σέικ χρησιμοποίησαν το Spotify Web API για να συλλέξουν δεδομένα για 1,8 εκατ. τραγούδια, καθώς και δεδομένα 30 ετών από το Billboard Hot 100. Ακολούθως εκπαίδευσαν και αξιολόγησαν τέσσερα διαφορετικά μοντέλα, τα οποία ανέλυσαν μια σειρά από χαρακτηριστικά τραγουδιών. Σε σειρά δοκιμών που έγιναν, δύο από αυτά σημείωσαν ιδιαίτερα υψηλές επιδόσεις (SVM, random forest).

Σύμφωνα με τους δύο ερευνητές, η πρόβλεψη εάν ένα τραγούδι θα γίνει επιτυχία με βάση χαρακτηριστικά του είναι δυνατή- και σε μελλοντικές τους έρευνες σκοπεύουν να διερευνήσουν και άλλους παράγοντες που συμβάλλουν στην επιτυχία, όπως η παρουσία στα social media, η εμπειρία του καλλιτέχνη κ.α. Αυτό μακροπρόθεσμα θα είχε ως αποτέλεσμα οι δισκογραφικές να αποκτήσουν εργαλεία που θα βοηθούν να αποφασίσουν σε ποια τραγούδια να επενδύσουν. Ωστόσο, σύμφωνα με τον Σέικ, εάν εταιρείες και παραγωγοί αρχίσουν να χρησιμοποιούν αλγορίθμους για τέτοιου είδους καλλιτεχνικές αποφάσεις, τα μοντέλα θα έπρεπε να σχεδιαστούν με τρόπο που δεν εμποδίζει την πρόοδο της τέχνης- και οι δύο ερευνητές παραδέχονται ότι οι αρχιτεκτονικές που έχουν αναπτύξει δεν είναι σε θέση ακόμα να εγγυηθούν κάτι τέτοιο.