MUSiNET: A Complex Network Model to Explore Underlying Relationship among Musics
本文介绍了 MUSiNET，这是一种整合了内在与外在音乐特征以映射全局歌曲关系的创新复杂网络模型，揭示了关于文化融合与流行度动态的结构性见解，为推荐与发现等应用提供了一种稳健的、数据驱动的传统音乐分类替代方案。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
长期以来，音乐一直被理解为一种通用的语言，一种能够激发情感并连接不同文化鸿沟的力量。几十年来，科学家和技术专家一直试图绘制这些联系，但通常依赖于听众如何描述他们所听到的内容，或者依赖于像流派标签这样的宽泛类别。然而，这些传统方法往往忽略了将歌曲联系在一起的那些微妙且无形的线索。它们难以解释为什么一个国家的歌曲会让另一个国家的听众感到熟悉，或者为什么一首来自 20 世纪 80 年代的曲目会与 2020 年代的热门歌曲产生共鸣。为了解决这个问题，研究人员转向了一个被称为复杂网络科学（complex network science）的领域。在这种方法中，单个项目——例如歌曲——被视为点，而它们之间的关系则被描绘成线。通过研究这些连接的形状，科学家可以观察到当单独观察单首歌曲时无法看到的模式。这种视角将焦点从歌曲被标记为何种类型，转向了它在庞大且全球性的集合中实际上是如何表现以及如何与其他歌曲发生关系的。
在一项新的研究中，来自印度的研究团队构建了一张名为 MUSiNET 的音乐关系数字地图。该团队并没有询问人们喜欢什么，而是通过使用计算机分析数千首歌曲，让音乐自己“说话”。他们收集了一个包含五种不同语言（英语、孟加拉语、印地语、西班牙语和韩语）共 5,000 首曲目的数据集。对于每首歌曲，计算机都会查看两类信息。首先，它会检查声音本身，测量诸如节拍快慢、能量强度以及曲调是欢快还是忧伤等指标。其次，它会查看围绕歌曲的客观事实，例如表演者、发行年份以及流行程度。研究人员随后将每首歌曲与其它所有歌曲进行比较，计算出一个代表它们相似程度的分数。如果两首歌曲足够相似，计算机就会在它们之间画一条线。其结果是一个巨大的、错综复杂的网络，其中每首歌曲都是一个节点，而每一次相似性都是一个连接。
研究人员从三个不同的角度审视了这个网络，以理解其结构。在最微观的层面，他们观察了个别歌曲，以查看哪些歌曲最为重要。他们发现，那些连接度最高的歌曲，即“枢纽”（hubs），通常是受到流媒体算法推动的近期热门曲目。这些频繁出自 K-pop 流派或其他现代风格的曲目，充当了中心聚集点。然而，团队还发现了另一种重要的歌曲类型：“桥梁”（bridges）。这些歌曲连接了原本不会相遇的不同音乐群体。令人惊讶的是，这些桥梁往往是较老的歌曲，有时已有数十年历史，并且经常来自印地语和孟加拉语等地区性语言。虽然现代热门歌曲形成了相似新音乐的密集集群，但这些较老的曲目却起到了粘合剂的作用，将整个网络连接在一起，将不同的文化和时代联系起来。
当研究团队退后一步观察整个网络时，他们发现音乐的整合程度之高令人赞叹。绝大多数歌曲——99.58%——都属于同一个单一的巨大群体。这意味着，在他们的收藏中，几乎任何一首歌都可以通过追踪相似性的链条，从任何另一首歌到达另一首歌。这个网络并非被分割成孤立的语言或流派岛屿；相反，它是一个连续的景观，理论上，听众只需沿着音乐的线索，就可以从一首韩国流行歌曲“旅行”到一首西班牙民谣。研究人员还注意到，虽然歌曲倾向于与流行程度或发行年份相似的歌曲建立联系，但仍存在显著的例外。例如，如果不同语言的歌曲共享相似的节奏或能量水平，它们就会建立起联系，这证明了音乐性的连接可以超越语言的障碍。
研究还揭示了歌曲的时长和发行日期如何影响这些连接。时长约为三到四分钟的歌曲形成了最密集的集群，这表明这是音乐相似性的“黄金平衡点”。同时，网络显示出音乐经常循环往复：20 世纪 80 年代的歌曲被发现与复兴了类似风格的现代曲目有着强烈的联系，从而创造了一个过去与现在相互影响的循环。研究人员得出结论，虽然流媒体平台经常将最受欢迎、最符合算法偏好的歌曲推向顶端，但音乐的底层结构要多样且互联得多。今天的“枢纽”可能是新的热门单曲，但维持着世界音乐连接的“桥梁”，往往是那些存在已久的、具有跨文化特质的经典曲目。这项工作表明，要真正理解音乐并进行有效的推荐，我们需要超越简单的标签和流行排行榜，转而关注存在于声音本身的深层结构关系。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。