विज्ञान समझाता है कि एक गीत सफल क्यों है

आपने पहले ही कहा होगा कि "ये सभी गाने समान दिखते हैं।" बस एक नया गीत सफल होता है और चार्ट के शीर्ष पर हिट करता है जो स्वचालित रूप से यह कहते हुए आता है कि ऐसा लगता है कि विडंबना यह है कि यह भी एक सफलता थी। यह जानने के लिए कि क्या एक गाना वास्तव में "एक ही" है, सैन फ्रांसिस्को, कैलिफोर्निया विश्वविद्यालय के दो छात्र शोधकर्ताओं ने इस मिशन के लिए Spotify डेटा का उपयोग करने का निर्णय लिया।

वैज्ञानिकों ने चार मशीन लर्निंग मॉडल बनाने के लिए Spotify के सार्वजनिक एप्लिकेशन प्रोग्रामिंग इंटरफ़ेस का उपयोग किया जो यह अनुमान लगा सकता है कि कोई गीत हिट हो सकता है या नहीं। "हमारा लक्ष्य यह देखना था कि क्या हिट गीतों में समान विशेषताएं हैं और यदि हां, तो क्या उन विशेषताओं का उपयोग यह भविष्यवाणी करने के लिए किया जा सकता है कि भविष्य में कौन से गीत सफल होंगे, " शोधकर्ताओं ने काई मिडलब्रुक को समझाया।

उन्होंने और उनके सहकर्मी कियान शेख ने गीत के कुछ पहलुओं पर ध्यान केंद्रित किया, जैसे लय, वैधता, ऊर्जा ध्वनिकी, ध्वनि और नृत्य, और परिणाम चार मॉडल थे।

फोटो: पिक्साबे

लॉजिस्टिक रिग्रेशन: इस मॉडल में, एक गीत 1 लेबल है, जो इंगित करता है कि गीत हिट होगा, और 0, जो इंगित करता है कि गीत फ्लॉप होगा। गाने की प्रत्येक विशेषता में एक वजन है जो इसकी सफलता की भविष्यवाणी करने में मदद करता है। इन विशेषताओं को व्याख्या के लिए त्वरित और आसान माना जाता है और यह आश्रितों के आश्रित चर (संगीत सुविधाओं) (हिट या मिस) को समझना आसान बना सकता है।

रैंडम फ़ॉरेस्ट आर्किटेक्चर: इस मॉडल में, वैज्ञानिक वस्तुनिष्ठ और बिना किसी प्रश्न के डेटा को तोड़ने के लिए निर्णय पेड़ों का उपयोग करते हैं। हालांकि, प्रशिक्षण डेटा को बहुत करीब से याद रखना संभव है, जिसका अर्थ है कि मॉडल सुविधाओं और गीत की लोकप्रियता के बीच एक वास्तविक संबंध का पता नहीं लगा सकता है, क्योंकि डेटा में आमतौर पर जानकारी शामिल होती है अप्रासंगिक। इसलिए, मिडिलब्रुक और शेक ने इस मॉडल का निर्माण विभिन्न उपसमुदायों का विश्लेषण करके, प्रत्येक पेड़ के औसत से एक भविष्यवाणी करके, और परिणामों के संयोजन से, हजारों-हजारों निर्णय वृक्षों के संयोजन के लिए किया था। ये मॉडल रैखिक मॉडल की तुलना में अधिक लचीले हैं, जो मिडिलब्रुक के अनुसार एक महत्वपूर्ण लाभ है।

सपोर्ट वेक्टर मशीन: यह मॉडल "हाइपरप्लेन" के लिए दिखता है जो डेटा को दो श्रेणियों में अलग करता है।

तंत्रिका नेटवर्क: इस मॉडल में, 10 फिल्टर के साथ एक छिपी हुई परत का उपयोग संगीत डेटा से सीखने के लिए किया जाता है।

वैज्ञानिकों ने अनुसंधान का विस्तार करने की योजना बनाई है

दोनों वैज्ञानिकों ने संख्याओं का विश्लेषण करने के लिए सैन फ्रांसिस्को कंप्यूटर नेटवर्क के एक विश्वविद्यालय का उपयोग करके बिलबोर्ड के ऐतिहासिक डेटा के साथ प्राप्त परिणामों का परीक्षण किया। पूरी प्रक्रिया में हफ्तों लग गए।

फोटो: पिक्साबे

उन्होंने पाया कि "सपोर्ट वेक्टर मशीन" की उच्चतम हिट सटीकता दर थी, जो 99.53% तक प्रभावशाली थी। सबसे कम दर "यादृच्छिक वन" मॉडल के साथ 88% थी। मिडिलब्रुक के लिए, यदि रिकॉर्ड लेबल ने गीत को जारी करने के लिए विश्लेषण की इस पद्धति का उपयोग किया, तो उनके पास एक मजबूत व्यावसायिक निर्णय होगा।

यह निष्कर्ष निकालने के बाद कि यह भविष्यवाणी करना संभव है कि क्या कोई गीत उनके ऑडियो के विश्लेषण के आधार पर सफल होगा, जोड़ी अन्य कारकों का विश्लेषण करने का इरादा रखती है जो कि गीत की सफलता में योगदान दे सकते हैं, जैसे कलाकार अनुभव, सोशल मीडिया उपस्थिति और लेबल प्रभाव।