Тема работы

Исследование особенностей и трендов в музыке с использованием данных Spotify и разработка системы музыкальных рекомендаций.

Цели работы

1. Изучить основные характеристики музыкальных композиций, представленных в датасете Spotify.
2. Выявить закономерности и тренды в музыкальных данных.
3. Разработать и протестировать несколько подходов к построению системы музыкальных рекомендаций.

Описание исходных данных

В проекте использован датасет, содержащий информацию о 30 000 треках с платформы Spotify. Данные включают такие параметры, как популярность треков, жанры, темп, танцевальность, энергичность, продолжительность, громкость, а также множество других музыкальных характеристик.

Источник данных: Kaggle.

Полученные результаты

1. Датасет предварительно обработан, включая удаление пропусков и создание дополнительных признаков, таких как год и месяц выпуска треков.

2. Проведен детальный анализ музыкальных характеристик, включающий визуализацию распределений, выявление корреляций между признаками и изучение тенденций в музыке за последние десятилетия. Ключевые тенденции

   1. Энергичность и громкость: Современная музыка становится всё более энергичной, что выражается в увеличении значения показателей energy и loudness. Особенно это заметно с конца 1990-х годов. Музыка с высокой энергичностью ассоциируется с быстрыми и яркими жанрами, такими как pop, rap и EDM.

   2. Танцевальность: В последние десятилетия танцевальные треки приобрели большую популярность. Жанры rap и latin лидируют по танцевальности (danceability), что объясняет их высокую востребованность на вечеринках и мероприятиях.

   3. Сокращение продолжительности треков: Анализ показал, что современные треки в среднем короче, чем в предыдущие десятилетия. Это может быть связано с трендом на быстрое потребление контента и популярностью стриминговых платформ.

   4. Популярные жанры: Жанр pop остаётся самым популярным, демонстрируя наивысшие значения популярности (track_popularity). За ним следуют такие жанры, как rap и dance, которые часто используют высокую танцевальность и энергичность для привлечения слушателей.

   5. Позитивное настроение треков: Музыка с высокой валентностью (valence), выражающая позитивные эмоции, такие как радость и веселье, остаётся наиболее востребованной. Большая часть популярных треков написана в мажоре (mode), что подчёркивает предпочтение слушателей к бодрым и весёлым композициям.

   6. Эволюция музыкальных характеристик:

      • До 1970-х годов наблюдаются хаотичные данные, что объясняется ограниченностью информации.
      • С конца 20-го века усилилась роль лирики и танцевальности в треках.
      • Сложные треки с высоким уровнем акустичности постепенно теряют популярность, уступая место более динамичным и электронным композициям.

   7. Особенности поджанров:

      • Поджанры, такие как electropop и trap, показывают ярко выраженную популярность среди молодежи, благодаря своим танцевальным ритмам и энергичности.
      • Более медленные и продолжительные треки характерны для жанров, таких как rock и classical, которые сохраняют аудиторию с классическими вкусами.

3. Построено три системы рекомендаций:

   • Косинусная похожесть: алгоритм, основывающийся на вычислении угла между векторами признаков треков. Простой, но эффективный подход.
   • Кластеризация: метод на основе группировки треков с использованием алгоритма K-Means и поиска ближайших соседей внутри кластера.
   • Автоэнкодер: использование нейронной сети для автоматического извлечения скрытых признаков и поиска похожих треков по их компактным представлениям.

   Сравнение подходов показало, что автоэнкодер исключительно субъективно демонстрирует наибольшую точность рекомендаций, находя треки с наиболее схожим звучанием, однако все три варианта вполне справляются со своей задачей

Направления для улучшения

1. Добавление данных пользователей для создания персонализированных рекомендаций.
2. Расширение объема датасета для улучшения качества рекомендаций.
3. Разработка гибридных алгоритмов, сочетающих несколько методов анализа и рекомендаций.