Collaboration-aware hit song analysis and prediction

Abstract

As músicas de sucesso são mais bem-sucedidas do que a média, onde fatores-chave tornam essas músicas qualitativamente superiores às outras. As técnicas atuais para prever músicas de sucesso exploram recursos que descrevem músicas individualmente. Propomos abordar esse problema de previsão através de uma forma multimodal, com a fusão de recursos musicais. Especificamente, descrevemos as músicas através de recursos de três modalidades: música, artista e álbum. Inicialmente, identificamos perfis de colaboração em uma rede musical composta por artistas de sucesso, revelando como os artistas se conectam profissionalmente pode impactar significativamente seu sucesso. Para aprofundar essas análises, usamos séries temporais e o teste de causalidade de Granger para avaliar se há uma relação causal entre perfis de colaboração e popularidade dos artistas. Finalmente, modelamos o problema de previsão de hits como duas tarefas distintas: classification e placement. A primeira é um problema clássico de classificação binária de aprendizado de máquina e é uma aplicação direta de nossas estratégias de fusão. A posterior é uma abordagem de modelagem que posiciona uma música em relação a um determinado ranking, prediz músicas de sucesso e fornece informações comparativas de popularidade de um conjunto de músicas. Além disso, enfatizamos os perfis dos artistas colaboradores como características importantes ao descrever suas músicas. Estudos empíricos extensos, usando diferentes features de cada modalidade, mostram a eficácia de nosso método que combina dados heterogêneos para ambas as tarefas.