
每天有数万首歌曲面世。这种源源不断的选择难题使流媒体服务和电台难以决定向歌单中添加哪些歌曲。为了找到那些能够引起大众共鸣的歌曲,这些服务商采用了人类听众和人工智能。然而,这种方法的准确率只有50%,不能可靠地预测哪些歌曲会成为热门曲。
现在,美国的研究人员运用了一种全面的机器学习技术,应用于大脑反应,并且能够以97%的准确率预测热门歌曲。
“通过将机器学习应用于神经生理数据,我们几乎可以完美地识别热门歌曲,”克莱蒙特研究生院教授、这项研究的高级作者保罗·扎克表示。“33个人的神经活动可以预测数百万人是否听了新歌曲,这相当惊人。此前从未显示出这样的准确性。”
神经数据的机器学习
研究参与者被配备了现成的传感器,听了一组由24首歌曲组成的列表,并被要求提供其个人偏好和一些人口统计数据。在实验期间,科学家们通过测量参与者对这些歌曲的神经生理反应来获取数据。 "我们收集到的大脑信号可以反映与情绪和能量水平相关的大脑网络活动," Zak 说道。这使得研究人员能够基于少量数据来预测市场结果,包括一首歌曲的播放次数等。
这种方法被称为“神经预测法”。它从少数人的神经活动中获取信息,可以预测整个人群的效应,而无需测量数百人的大脑活动。
在数据收集之后,研究人员使用不同的统计方法来评估神经生理变量的预测准确性,从而直接比较模型。为了提高预测准确性,他们训练了一个机器学习模型,测试不同的算法以得出最高的预测结果。
他们发现,线性统计模型能以69%的成功率识别到热门歌曲。当他们将机器学习应用到收集的数据中时,正确识别热门歌曲的率跃升至97%。他们还将机器学习应用到歌曲的前一分钟的神经反应中。在这种情况下,热门歌曲被正确识别的成功率为82%。
扎克解释道:“这意味着流媒体服务可以更有效地识别新歌,为人们的播放列表更快地找出可能会成为热门歌曲的曲目,从而使流媒体服务的工作更轻松,令听众感到愉悦。”
复制的方法
“如果未来可穿戴神经科技像我们在这项研究中使用的那样变得普遍,那么就可以根据观众的神经生理学发送适合的娱乐。他们可能只会被提供两三个选择,而不是上百种,这将使他们更容易和更快地选择自己喜欢的音乐,” Zak 说道。
尽管他的团队的预测结果几乎是完美的,但研究人员指出了一些限制。例如,他们在分析中使用了相对较少的歌曲。此外,研究参与者的人口统计学数据有一定的多样性,但尚未包括某些族裔和年龄群体的成员。
然而,研究人员预计他们的方法不仅可以用于热门歌曲的识别,部分原因在于它容易实施。"我们的关键贡献在于方法论。这种方法很可能可以用于预测其他各种娱乐形式的热门作品,包括电影和电视节目,"Zak总结道。