类型a：

关于基于Spotify音频特征预测歌曲流行度的研究报告

第一，研究作者及发表信息
本研究的唯一作者是Harriman Samuel Saragih，来自印度尼西亚蒙纳士大学（Monash University）商业创新系。研究发表于《Journal of Management Analytics》2023年第10卷第4期，文章标题为《Predicting song popularity based on Spotify’s audio features: insights from the Indonesian streaming users》，在线发表日期为2023年7月27日。

第二，学术背景
本研究属于音乐信息检索（Music Information Retrieval, MIR）与消费者文化理论（Consumer Culture Theory, CCT）交叉领域。研究背景源于“热门歌曲科学”（Hit Song Science）这一新兴研究方向，即探讨歌曲的音频特征如何影响其市场流行度。先前研究表明，不同国家的听众对音乐特征的偏好存在差异，但针对印度尼西亚市场的研究较少。

研究目标包括：
1. 通过分类（classification）和回归（regression）机器学习算法，量化音频特征对歌曲流行度的预测能力（RQ1）；
2. 识别高流行度歌曲的独特音频特征（RQ2）；
3. 提取预测歌曲流行度的十大关键特征（RQ3）。

理论框架基于消费者文化理论（CCT），强调音乐作为文化商品如何通过消费模式、市场文化和消费者身份影响流行度。

第三，研究流程与方法
研究分为数据预处理、模型训练与评估三部分：

1. 数据预处理

   • 数据来源：Kaggle公开数据集，包含92,755首歌曲的20个特征（如danceability舞蹈性、valence效价等），数据通过Spotify API获取。
     
   • 处理步骤：
     
     • 去除缺失值和异常值；
       
     • 将分类变量（如key调性、time signature拍号）转换为哑变量（dummy variables）；
       
     • 创建目标变量“popularity class”（四分类：不流行、低流行、中流行、高流行）。
       
   • 数据分割：70%训练集，30%测试集，并进行标准化（Standard Scaler）。
     

2. 模型训练与比较

   • 分类任务：比较了13种算法（如随机森林Random Forest、梯度提升Gradient Boosting等），采用20折交叉验证（20-fold cross-validation）和网格搜索（Grid Search CV）优化超参数。
     
   • 回归任务：比较了12种算法（如Extra Trees Regressor、XGBoost等），评估指标为R²分数和均方根误差（RMSE）。
     

3. 特征分析与统计检验

   • 通过置换重要性（Permutation Importance）提取关键特征；
     
   • 使用Tukey检验（ANOVA事后检验）分析不同流行度类别的音频特征差异。
     

第四，主要结果
1. 模型性能
- 分类任务中，随机森林（Random Forest）准确率最高（69.74%）；
- 回归任务中，Extra Trees Regressor的R²最高（0.6857）。

1. 关键特征

   • 十大重要特征依次为：发行年份（release date）、响度（loudness）、器乐性（instrumentalness）、原声性（acousticness）、时长（duration）、言语性（speechiness）、能量（energy）、效价（valence）、舞蹈性（danceability）、现场感（liveness）。
     

2. 高流行度歌曲特征

   • 发行时间较新（平均1993±17.63年）；
     
   • 高响度（−8.90±4.39 dB）、中等能量（0.57±0.23）；
     
   • 低原声性（0.36±0.3）、低言语性（0.05±0.06）；
     
   • 正效价（0.53±0.25），适合舞蹈（0.55±0.15）。
     

第五，结论与价值
1. 理论贡献
- 首次系统验证了音频特征对印度尼西亚市场歌曲流行度的预测能力（69%）；
- 支持消费者文化理论，表明音乐消费模式受文化特征影响。

1. 应用价值
   
   • 为音乐制作人提供数据驱动的创作建议，例如：优先制作高响度、正能量的电子音乐；
     
   • 帮助流媒体平台优化推荐算法，精准定位区域偏好。
     

第六，研究亮点
1. 方法创新：同时采用分类与回归模型，增强结论鲁棒性；
2. 区域特异性：填补东南亚市场的研究空白；
3. 跨学科视角：融合机器学习与消费者文化理论。

第七，其他有价值内容
研究指出，Spotify数据可能偏向高收入用户，因此结论可能不适用于传统音乐（如印尼的dangdut）。未来研究可纳入歌词、艺术家知名度等变量。

（注：专业术语首次出现时保留英文，如valence效价、dummy variables哑变量等。）