機器學習幫助研究人員以 97%的準確率辨識熱門歌曲
今日,每天都會有數萬首歌曲發行。這樣源源不絕的選擇讓流媒體服務和廣播電臺難以選擇要新增到播放清單中的歌曲。為了找出能引起大眾共鳴的歌曲,這些服務一直使用人工聽眾和人工智慧。然而這種方法只有 50%的準確率,無法可靠地預測哪些歌曲會成為熱門歌曲。現在美國的研究人員利用了一種全面的機器學習技術,應用於腦部反應,成功以 97%的準確率預測熱門歌曲。
機器學習與神經生理資料
研究參與者使用現成的感測器,聽了一組 24 首歌曲,並被問及他們的偏好和一些人口統計資料。在實驗中,科學家們測量了參與者對歌曲的神經生理反應。研究人員還研究了參與者的腦部活動,根據腦部活動預測市場結果,包括歌曲的流派數量-這種方法稱為"神經預測"。它從少數人的神經活動中捕獲神經活動,以預測人口層面的影響,而無需測量數百人的腦部活動。
研究人員使用不同的統計方法評估神經生理變數的預測準確度,直接比較模型。為了提高預測準確率,他們訓練了一個機器學習模型,測試了不同的算法,以獲得最高的預測結果。研究人員發現,使用線性統計模型的命中歌曲識別率為 69%。當他們將機器學習應用於他們收集的資料時,命中歌曲的識別率跳躍至 97%。當他們將機器學習應用於對歌曲的前一分鐘的神經反應時,成功識別命中歌曲的準確率為 82%。
因此流媒體服務可以更有效地識別新的可能成為熱門歌曲的歌曲,從而更輕鬆地完成其工作並讓聽眾感到滿意。
將機器學習應用於其它娛樂形式
研究人員指出,雖然他們的研究團隊近乎完美地預測了結果,但也存在一些約束。例如,他們在分析中使用了相對較少的歌曲。此外研究參與者的人口統計資料相對多樣化,但沒有包括某些民族和年齡群體的成員。然而研究人員期望他們的方法也可以應用於除了熱門歌曲識別之外的其他娛樂形式,部分原因在於其易於實現性。
總之這項研究的關鍵貢獻是其方法論。可以預見,這種方法可以被應用於預測許多其他型別的娛樂,包括電影和電視節目。