A Dataset and Baselines for Measuring and Predicting the Music Piece Memorability

现如今，人类不断接触音乐，无论是通过自愿的流媒体服务还是在商业广告中无意中遇到。尽管音乐丰富多彩，但某些作品仍然更加令人难忘并且常常获得更大的流行度。受到这种现象的启发，我们专注于测量和预测音乐的可记忆性。为了实现这一目标，我们使用一种新颖的交互式实验过程，收集了一个可靠的带有记忆标签的音乐片段数据集。然后，我们训练基线来预测和分析音乐的可记忆性，利用可解释的特征和音频mel频谱图作为输入。据我们所知，我们是第一个使用数据驱动的深度学习方法探索音乐可记忆性的研究者。通过一系列实验和消融研究，我们证明了在有限的数据情况下预测音乐的可记忆性是可能的，虽然仍有改进的空间。某些内在元素，如更高的情感价值、唤起和更快的节奏，有助于产生令人难忘的音乐。随着预测技术的不断发展，现实生活中的应用，如音乐推荐系统和音乐风格转换，无疑将从这个新的研究领域受益。

本论文旨在测量和预测音乐的可记忆性，通过收集可靠的可记忆性标签的新音乐数据集并使用新的交互式实验程序进行训练，探索使用数据驱动的基于深度学习的方法来研究音乐可记忆性。

论文使用音频mel频谱图和可解释的特征作为输入，训练基线模型来预测和分析音乐可记忆性。通过一系列实验和消融研究，论文证明了在有限数据的情况下预测音乐可记忆性是可能的，而某些内在因素，如更高的情感价值、唤起和更快的节奏，有助于音乐的可记忆性。

本论文使用新的交互式实验程序收集可靠的可记忆性标签的新音乐数据集，使用数据驱动的基于深度学习的方法探索音乐可记忆性，证明在有限数据的情况下预测音乐可记忆性是可能的，某些内在因素有助于音乐的可记忆性。

最近的相关研究包括基于音乐元数据和歌词的音乐推荐和分类，以及使用深度学习方法来生成音乐的研究。