Ist es das Lied und nicht der Sänger? Hit-Song-Vorhersage unter Verwendung struktureller Merkmale von Melodien [Translated with www.DeepL.com]

Diese Untersuchung versucht, kommerziell erfolgreiche Popsongs von kommerziell weniger erfolgreichen Popsongs mit Hilfe struktureller Features ihrer Hauptgesangsmelodien zu unterscheiden. Zu diesem Zweck wurden 266 Popsongs anhand ihres Erfolgs in der britischen Hitparade durch k-means Clustering als „Hits" oder „Nicht-Hits" eingestuft. Darüber hinaus wurde mit Hilfe der Software MeloSpySuite ein umfassender Satz von 152 intrinsischen Features für die Hauptmelodien berechnet, die einen weiten Bereich struktureller Dimensionen (Tonhöhe, Intervalle, Rhythmus, Metrum etc.) abdecken. Diese Features wurden als unabhängige Variable für eine Random-Forest-Klassifikation benutzt; zudem wurde für j ede Variable ein Wilcoxon-Test berechnet, um die Klassifikationsergebnisse weiter zu stützen und zu beleuchten. Der Klassifikationserfolg war mit 52,6 % relativ gering und lag nur knapp über der Ratewahrscheinlichkeit. Die Ergebnisse der Wilcoxon-Tests entsprachen im Wesentlichen den Resultaten der Random-Forest-Prozedur. Interessanterweise beziehen sich die Variablen mit der höchsten Diskriminanzleistung alle auf den Intervallgehalt der Melodien. Ein zusätzlicher Klassifikationsbaum mit den wichtigsten Variablen der Random-Forest-Prozedur erreichte eine Klassifikationsgenauigkeit von 61 % mit einer einzelnen Variablen, die die Gleichverteiltheit von aufeinanderfolgen Paaren von Intervallrichtungen misst, und die für Hits größer war als für Nicht-Hits. Wir diskutieren mögliche Interpretationen unserer Ergebnisse und schlagen sich anschließende Forschungsvorhaben vor.

This study aims at the classification of highly commercially successful versus less commercially successful pop songs using structural features of the song melodies. To this end, a set of 266 pop songs were classified into hits and non¬ hits according to success in the UK charts using k-means clustering. Subsequently, a comprehensive set of 152 intrinsic summary features spanning a wide range of structural dimensions (pitch, interval, rhythm, metre, etc.) were extracted using the software MeloSpySuite and subjected to a random forest classification procedure. Additionally, a battery of Wilcoxon tests was executed to supplement the findings from the classification procedure. Classification success was rather low; at 52.6 % this success rate just slightly exceeded chance level. Furthermore, the results from the Wilcoxon tests were in line with the results from the random forest classification. Interestingly, the most important variables in both analysis procedures were all related to interval content. An additional classification tree algorithm fed with the most important variables from the random forest analysis reached a classification accuracy of 61 % with only one decision variable-Parson's Code bigram entropy. This variable measures the uniformity of interval direction pairs and was higher for hits than for non-hits. A range of possible interpretations for these results are discussed, and further lines of research are proposed.