【读论文】2021美赛D题 O奖（3）2121604

基于影响者网络与余弦相似度的音乐演变探索

摘要

为理解音乐的演变过程，本研究结合网络科学、余弦相似度、物理学中的冷却模型与引力模型以及其他统计方法，探究音乐如何通过艺术家和流派间的影响力实现演变。

首先，构建有向影响者网络，可视化影响者与追随者之间的关系；借助冷却模型阐释音乐影响力的概念，描述影响力随时间间隔延长而衰减的规律；通过节点大小展示子网络中艺术家的音乐影响力，并进行详细分析。

其次，数据预处理后，采用主成分分析（PCA）对音乐特征进行降维，提取四个因子；基于这四个因子构成的特征向量，计算艺术家或流派间的余弦相似度。该相似度测量方法经验证有效 ------ 同一流派内艺术家的相似度高于不同流派间艺术家的相似度。

随后，基于网络与相似度基础模型，从四个维度展开音乐演变相关任务的研究：

针对影响者与追随者相关任务：对比追随者与影响者、非影响者之间的相似度密度曲线，证实影响者对追随者的音乐创作存在影响；通过移除各项特征重建特征向量并计算相似度，识别特定流派影响力传递过程中更具传染性的特征。
针对流派趋势相关任务：计算流派相似度矩阵，据此描述流派间的关联与差异；基于引力模型估算每年的主导流派，分析流派随时间的演变趋势；以乡村音乐为例，结合流行度和作品数量识别动态影响者，阐释其演变过程中与其他流派的融合情况。
针对音乐变革相关任务：计算每年与次年的余弦相似度，将显著变化识别为变革；发现 20 世纪 40 年代、60 年代和 80 年代为变革时期，并重点分析 1965-1967 年的变革，指出披头士乐队（The Beatles）和鲍勃・迪伦（Bob Dylan）是该时期的标志性革新艺术家。
针对音乐演变其他影响因素相关任务：结合流派时间线与变革时期，详细分析重大文化、社会、政治或技术变革的影响，阐释冷战、民权运动等事件如何作用于音乐演变。

总之，本研究的模型兼具全面性与创新性，且在敏感性分析中表现良好，对相关后续研究具有启发价值。

1 概述

1.1 问题重述

过去一个世纪以来，音乐经历了快速发展。为从艺术家间影响力的角度理解音乐演变，需解决以下问题：

基于提供的 "influence_data" 数据集，构建有向影响关系网络，制定音乐影响力的测量方法，网络需包含主网络与子网络，并进行详细描述；
基于其余给定数据集，构建音乐相似度测量模型，通过对比同一流派内与不同流派间艺术家的相似度验证模型有效性；
探究影响者是否真的对追随者的音乐产生影响，以及音乐的各项特征在影响过程中是否发挥同等重要的作用；
明确流派间的差异与关联，探索流派随时间的发展 ------ 不仅包括不同时期代表性音乐流派的发展，也涵盖同一音乐流派在不同阶段的演变；识别动态影响者的指标，分析特定流派的演变过程；
提出标志演变过程中重大变化的指标，指出具有革新意义的标志性艺术家；
探讨音乐的文化影响力或其他可能影响音乐演变的因素。

1.2 背景研究

20 世纪，美国的影响力几乎遍及全球，在音乐领域尤为显著。与此同时，音乐流派迅速演变，近百年间从蓝调（Blues）发展到乡村音乐（Country），涌现出大量流派（《历史侦探》） $1$ 。前人的研究主要集中在音频处理方面：尼古拉・奥里奥（Nicola Orio）等人基于音乐结构图构建了旋律相似度测量模型，并在小型测试集中对模型进行训练，取得了初步的音乐相似度相关成果 $2$ ；胡安・P・贝洛（Juan P.Bello）提出了一种测量音乐唱片结构相似度的新方法，与传统方法相比，该方法假设音乐为基于区块的模型，因此重点关注分割和聚类部分，最终在特征相似度表征方面取得成果，并为所提方法提供了最优参数 $3$ 。

1.3 研究工作

尽管已有部分关于音乐相似度的前期研究，但鲜有研究者尝试利用相似度数据解释音乐演变。基于给定数据集，本研究试图以更具启发性的方式呈现音乐演变过程：数据预处理后，构建影响者网络的基础模型，运用冷却模型和余弦相似度描述相关参数；随后，将模型应用于艺术家、流派、变革及其他社会影响等层面，进一步探索音乐演变。

2 模型准备

2.1 假设条件

音乐影响力随时间间隔的增大而衰减：作品通常具有一定的时效性 ，其受欢迎程度会随时间推移而下降；衰减程度与发行年份和流行年份无关，仅与时间间隔相关， 从判断时点到发行年份的时间间隔越长，作品对当下音乐家的影响可能越小。（这个适合放后面感觉）
每位追随者在其开始创作音乐的年份受到影响者的影响：很难定义一个人的巅峰时期，因此使用活跃起始年份进行计算既公平又合理。
每位艺术家仅属于一个流派，且其整个职业生涯中流派未发生变化：一般而言，艺术家决定选择某一流派时，必然受到前辈作品的影响，因此其后续创作中不太可能改变流派。
艺术家能够体现其所属流派的特征：艺术家需具备所属流派的特征，否则不会被归类到该流派中。
现有数据集能够反映音乐市场状况：完全信任追随者数量、流行度等各项指标的统计数据，认为其反映的趋势是准确的。

2.2 符号定义

符号	定义
MI	音乐影响力
sim	两个向量的余弦相似度
G	代表流派的球体
u	某一特定年份未知的主导流派
F_i	主成分分析（PCA）提取的其中一个因子

2.3 数据预处理

为简化建模过程，移除 "influence_data" 数据集中所有无法归类到特定流派的艺术家；此外，提前对所有音乐特征进行归一化处理，

太草率了吧！

以消除测量这些特征时不同维度带来的影响。

3 基础模型：影响者网络与相似度

首先，为理解音乐如何通过艺术家间的影响力实现演变，构建网络模型描述此类影响关系，并提出艺术家或流派间的相似度概念。

3.1 有向影响者网络

通过网络展示影响者与追随者之间的关系，每个节点的大小代表艺术家的音乐影响力（MI）。构建影响网络时，首先从 "influence_data" 中选取所有 20 世纪 30 年代开始职业生涯的艺术家，将其置于节点上；然后找出下一个十年（20 世纪 40 年代）出道的艺术家，将其置于前者的圈层内，用指向追随者的有向线连接影响者与追随者；对每个十年的艺术家重复上述操作，最终得到影响网络。

靠近中心的点代表近几十年的艺术家，反之则代表早期艺术家。从全貌图中可以看出，20 世纪早期出道的部分艺术家对各个年代的艺术家都具有重大影响；还发现网络中心区域看似较为复杂，这意味着当下艺术家之间的影响关系较为复杂。除网络全貌外，还展示了局部放大网络，以说明部分可识别艺术家的影响方向和姓名。

3.2 音乐影响力

为测量音乐影响力，需合理汇总不同持续时间内受影响的艺术家数量。考虑到歌曲的影响力会随时间变化，且高温物体的冷却过程呈先快后慢的下降趋势，因此采用冷却模型模拟影响力的总体变化趋势。**想象你第一次听电子音乐时的震撼感 ------ 当听了大量类似作品后，再听同类别新歌就不会有那么强烈的新鲜感了。**但结合实际情况，影响力可能在第一个十年内不会显现衰减（这将在 3.3 节中更详细地体现），就像一杯热水短时间内仍能保持热度一样。

需要参考真实数据模拟这一延迟过程，计算延迟函数。两者共同作用得到音乐影响力（MI）系数。首先求解冷却模型：音乐影响力的衰减速率与其当年影响力和上一年影响力的差值成正比，即：$MI'(t) = -\alpha(MI(t) - MI_0) \quad (1)$对该方程积分求解，可得：$MI(t) = MI_0 + Ce^{-\alpha t} \quad (2)$其中，C 为常数，α 为衰减系数。假设在时间 t₀时，音乐家的影响力为 MI (t₀)，将式（2）代入式（1），可得：$MI(t) = MI_0 + (MI(t_0) - MI_0)e^{-\alpha(t - t_0)} \quad (3)$假设多年后，影响力衰减至可忽略不计的水平，则认为 MI₀=0。此时，式（3）可简化为：$MI(t) = MI(t_0)e^{-\alpha(t - t_0)} \quad (4)$由此可见，当年的音乐影响力（MI）与初始影响力、衰减系数和时间间隔相关。其次，计算 "influence_data" 中每十年追随者数量的平均值，利用 MATLAB 进行平滑样条拟合，得到函数 f (t)。将 f (t) 与 MI (t) 共同应用于已知数据集，并对数据进行归一化处理，得到音乐影响力（MI）系数。

3.3 子网络探索

选取所有艺术家姓名构建网络时，并未绘制代表各自音乐影响力（MI）的不同大小的点，否则连接密集区域会变得模糊不清。因此，本节将展开进一步探索：以传奇电子乐队发电站乐队（Kraftwerk）为中心构建子网络，详细阐释影响网络及音乐影响力的测量方法。

从该子网络中可以看出发电站乐队的影响力范围之广 ------ 共有 108 位艺术家受到他们的影响，甚至传奇音乐家大卫・鲍伊（David Bowie）也受其影响；还能发现他们的追随者活跃年代介于 20 世纪 70 年代至 21 世纪 20 年代之间，影响时间跨度相对较长。乐队出道当年就拥有 30 位追随者，在之后的 40 年里，分别影响了 43 位、25 位、9 位和 1 位艺术家。研究发现，发电站乐队的影响力可能在出道后的第一个十年达到顶峰，这与 3.2 节中 "音乐影响力不会直接衰减" 的假设一致。通过对整体数据和更多艺术家的抽样分析，验证了这一观点。该子网络中节点的大小代表艺术家的音乐影响力（MI），可以发现尽管发电站乐队的音乐影响力（MI）相当大，但他们的追随者大卫・鲍伊的音乐影响力（MI）规模更大，这表明如今大卫・鲍伊的音乐影响力比发电站乐队更强。这可能是由于语言和地域限制，德国乐队发电站乐队不像大卫・鲍伊那样广为人知，但他们影响了后来取得更大成就的艺术家，其在音乐领域的影响力确实不容忽视。

3.4 音乐相似度

音乐相似度可通过多个指标进行综合评估。"full_music_data" 提供了舞蹈性（danceability）、能量（energy）、效价（valence）等众多指标，但部分指标（如能量、节奏（tempo）和响度（loudness））在描述音乐特征时可能存在重叠，直接使用高维数据可能会重复考虑某些特征。因此，移除发行日期（release_date）、作品数量（count）等与歌曲创作无关的特征后，采用主成分分析（PCA）作为降维方法，提取四个主因子用于后续探索。主成分分析（PCA）方法的部分检验值如下表所示：

KMO 值	0.782
巴特利特球形度检验近似卡方值	22406.735
自由度（df）	78
显著性（Sig.）	0.000

除非另有特别说明，以下分析将基于这四个因子展开。选择余弦相似度描述歌曲、艺术家和流派之间的相似度。根据四个特征值，构建每位艺术家（i）的特征向量：$F_i = (F_{i1}, F_{i2}, F_{i3}, F_{i4})$两个特征向量之间的余弦相似度计算如下：$sim_{ij} = \frac{(F_i * F_j)}{\sqrt{F_i^2} * \sqrt{F_j^2}}$余弦相似度是两个特征向量之间夹角的余弦值，取值范围为 $-1, 1$ ，数值越接近 1，表明两位艺术家越相似，反之则越不相似。与欧氏距离相比，余弦相似度更关注两个样本在方向尺度上的差异，且相似度取值范围自动变为 $-1, 1$ ，省去了使用欧氏距离时的归一化步骤。

为检验相似度算法的可靠性，运用该算法计算同一流派内与不同流派间艺术家的相似度。提取同一流派内艺术家之间以及不同流派间艺术家之间的相似度，绘制密度曲线（黄色线条代表同一流派内艺术家的相似度，粉色线条代表不同流派间艺术家的相似度；横轴表示相似度，纵轴表示密度）。

可以看出，同一流派内艺术家的相似度大多在 0.6 左右，而不同流派间艺术家的相似度约为 - 0.1。这表明同一流派内艺术家的相似度高于不同流派间艺术家的相似度，与常识一致，证明该音乐相似度测量方法是合理的。

4 拓展与探索：音乐如何演变？

在音乐发展的长河中，总能看到一些重要的影响者，他们推动音乐的发展与变革，促进流派的交流与融合。这使得音乐从最初的 9 个流派逐渐演变至今的 20 个主流流派。因此，研究流派间的相似度，对于我们利用科学方法从大量数据中解读人类历史具有重要意义。同时，那些在不同时代发挥主导作用的艺术家也值得深入分析。

4.1 影响者对追随者的影响

4.1.1 影响者对追随者音乐创作的作用

提供的 "influence_data" 数据集展示了追随者与已识别影响者之间的关联，但这些影响关系基于艺术家或专家的主观判断。为检验这些影响关系是否真实存在，计算每位追随者与其影响者之间的相似度，并将其密度曲线与每位追随者与非影响者艺术家之间的相似度密度曲线进行对比。

可以看出，影响者与追随者之间的相似度约为 0.8，而追随者与其他艺术家之间的相似度降至 - 0.1。因此，得出结论：数据集中识别的影响者确实对其追随者产生了影响，至少在音乐创作过程中是如此。

4.1.2 传染性特征

在提供的所有音乐特征中，部分特征在影响过程中可能发挥更重要的作用。这些特征（即传染性特征）可能在影响者与追随者之间表现出更高的相似度，因此在相似度计算过程中移除这些特征可能会导致相似度大幅下降。由于不同流派的传染性特征可能存在差异，以 "流行 / 摇滚（Pop/Rock）" 流派为例，绘制相似度密度曲线进行详细分析。

首先，利用所有 12 项音乐特征（排除与歌曲本身创作无关的描述性特征）为每位影响者和追随者构建 12 维特征向量，计算其余弦相似度密度（如棕色线条和阴影所示）；随后，分别移除每项特征，构建 11 维特征向量，再次计算影响者与追随者之间的相似度。从图中可以看出，移除原声性（acousticness）和能量（energy）后，相似度下降最为显著，而移除其他特征仅导致轻微下降甚至上升。因此，得出结论：在 "流行 / 摇滚" 流派中，能量（energy）和原声性（acousticness）是相对具有传染性的特征，这表明它们更有可能给追随者留下深刻印象，并在后续被模仿。

所有流派的传染性特征完整结果如图所示。总体而言，节奏（tempo）和舞蹈性（danceability）似乎是所有特征中最具传染性的，它们分别在 5 个流派中表现出传染性。

4.2 流派趋势

4.2.1 流派相似度

流派的特征通过该流派内艺术家创作的歌曲特征得以体现。根据 "influence_data" 中艺术家的流派信息，可以确定 "data_by_artist" 中每位艺术家的流派。基于上述第四个假设，认为每位艺术家都能体现其所属流派的特征。因此，将每个流派内所有艺术家的特征向量取平均值，作为该流派的中心值，得到 20 个流派的特征向量；计算 20 个特征向量之间的余弦相似度，得到流派相似度矩阵。为便于观察，绘制热力图，通过查看对应行和列的网格即可获取任意两个流派之间的相似度，网格颜色越深，相似度越高。该余弦相似度矩阵为对称矩阵，对角线上的网格颜色最深，表明每个流派与自身的相似度最高。后续关于流派趋势的探索将主要基于该流派相似度矩阵展开。

4.2.2 流派的区分依据

关于流派区分，我们认为几乎不可能通过单一特征将某一特定流派与其他所有流派区分开来。毕竟，总共存在近 20 个超级流派，其中一些流派几乎没有相似之处，而另一些则可能极为相近。因此，选择通过解释如何区分相似流派来回答流派区分的问题，以节奏蓝调（R&B）为例。从热力图中可以看出，节奏蓝调与蓝调（Blues）和爵士（Jazz）非常相似。事实上，节奏蓝调（又称节奏与蓝调）起源于包括爵士和蓝调在内的其他黑人音乐。为将节奏蓝调与其两个起源流派区分开来，基于前文所述的四个因子绘制雷达图。

从雷达图中可以看出，节奏蓝调与爵士的主要差异在于因子 1，而节奏蓝调与蓝调尽管非常相似，但在因子 2 上仍存在差异。参考主成分分析（PCA）生成的成分矩阵可知，因子 1 更能解释能量（energy）和响度（loudness）的特征，而因子 2 更能解释效价（valence）和舞蹈性（danceability）的特征。因此，得出结论：可以通过能量（energy）和响度（loudness）将节奏蓝调与爵士区分开来，通过效价（valence）和舞蹈性（danceability）将节奏蓝调与蓝调区分开来。事实上，"节奏蓝调" 这一名称意味着音乐中包含更多节奏元素（如说唱或嘻哈），而爵士更注重和弦与音调，蓝调则侧重于旋律和听众的反响。因此，我们的区分方法在常识层面是可行的。

4.2.3 流派的整体演变

尽管每年音乐市场上都会涌现出众多流派，但每年总有一种音乐流派最受欢迎。只要能够识别出每年最受欢迎的音乐流派，就能了解流派随时间的变化情况。因此，构建 "引力模型" 来完成这一任务。考虑到物理世界中具有质量的物体会对置于其空间内的其他物体产生引力作用，歌曲的流行度对音乐趋势也具有类似的 "吸引" 效果。充分利用 "data_by_year" 数据集获取音乐特征信息以及 "流行度（popularity）" 等社会反馈，构建 "引力模型"。

在该模型中，将流派与当年最受欢迎的流派（尚未确定）分别视为质量球体 G 和 u，流派之间不存在相互作用，仅流派 G 对 u 产生引力作用。将每个流派的平均流行度作为 G 的质量 M，流派的特征向量作为其坐标；同理，将每年所有歌曲的平均流行度作为 u 的质量 m，特征向量的平均值作为 u 的坐标。球体 G 对球体 u 的引力与 M 和 m 的质量成正比，与它们之间距离的平方成反比。例如，G₁与 u 的距离比 G₂远，但由于 G₁的质量大于 G₂，无法直接确定两者谁的引力更大。由于前文关于相似度的研究相对成熟，且相似度与距离呈明显的反比关系，因此用相似度替代距离。将相似度代入函数之前，对其进行归一化处理得到 sim_new，使其取值范围在 $0, 1$ 之间：$sim_{new} = \frac{(1 + sim)}{2}$$引力 = \frac{GU}{r^2} \to GU(sim_{new}^2)$在我们的方法中，与 u 引力最大的 G 即为当年最受欢迎的流派。计算 1921 年至 2020 年每年的主导流派，结果如演变时间线全貌所示。

从时间线中可以看出，20 世纪 50 年代之前，主导流派主要是爵士、蓝调和民谣（Folk）；20 世纪 50 年代，乡村音乐和声乐（Vocal）曾有过繁荣的机会，但最终流行 / 摇滚胜出；1955 年至 1976 年，流行 / 摇滚几乎是每年的主导流派，可见其受欢迎程度空前；然而，20 世纪 80 年代，节奏蓝调、雷鬼（Reggae）和民谣开始崭露头角；进入 21 世纪，主导流派变得更加多样化，新世纪音乐（New Age）和电子（Electronic）等新兴流派也越来越受欢迎。

4.2.4 流派间的关联

利用上述构建的相似度矩阵和热力图，可以把握这些流派之间的一些关联。例如，民谣和声乐的相似度较高。这种从数值角度得出的关联可以通过分析流派的音乐特征来解释：著名歌曲《随风而逝》（Blowin' in the Wind）是民谣音乐的代表作，歌曲中可以听到清晰的男声演唱，没有过多的技术修饰，这表明民谣音乐和声乐非常相似 。民谣和声乐都是历史悠久、原创性强且人声突出的流派。再举一个例子，从热力图中可以看出，节奏蓝调和雷鬼的余弦相似度接近 1.0，表明它们之间关联密切。实际上，两者都是典型的黑人音乐，包含大量舞蹈节奏和鼓点；雷鬼起源于所谓的新奥尔良节奏蓝调，与传统节奏蓝调本身有着密切的联系，这为热力图中识别出的强关联提供了佐证。总之，借助流派间相似度热力图，可以轻松识别流派之间的关联，并在专业知识的基础上进行进一步分析。

4.2.5 特定流派的演变：乡村音乐

分析完流派的整体趋势后，聚焦乡村音乐这一特定流派，以更好地理解其影响过程和详细演变。毫无疑问，随着音乐本身的发展，乡村音乐最具影响力的人物也在不断变化。为识别乡村音乐的动态影响者，自 1930 年以来，按流行度对每个十年乡村音乐中最具影响力的艺术家进行排名。假设流行度越高，该艺术家对乡村音乐的影响范围越广；此外，如果两位艺术家的流行度非常接近，但作品数量差异巨大，则考虑到高质量作品数量的贡献，倾向于将作品数量更多的艺术家认定为该十年的动态影响者。通过这种方法，确定了七位乡村音乐的动态影响者。

除动态影响者外，还希望捕捉乡村音乐与其他相关流派的融合情况。为实现这一目标，利用 "full_data" 数据集生成每个十年乡村音乐与前一个十年所有流派的相似度。例如，20 世纪 60 年代的乡村音乐与 20 世纪 50 年代的流行 / 摇滚最相似，而非 20 世纪 50 年代的乡村音乐本身，这表明这两个流派在 20 世纪 60 年代发生了融合。

结合动态影响者和相关流派的分析结果，可以更详细地解读乡村音乐的演变：1960 年之前，乡村音乐的演变平稳，坚守蓝草音乐（Blue Grass Music）等传统乡村音乐风格，在这一平稳时期，罗伊・阿卡夫（Roy Acuff）、莱夫蒂・弗里泽尔（Lefty Frizzell）和约翰尼・卡什（Johnny Cash）等著名音乐家是乡村音乐最具影响力的人物；然而，20 世纪 60 年代摇滚乐兴起后，乡村音乐经历了与流行 / 摇滚、民谣和爵士等其他流派的深度融合；20 世纪 80 年代，由于有影响力的艺术家艾伦・杰克逊（Alan Jackson）的出现以及 "新乡村"（New Country）子流派的诞生，传统乡村音乐经历了短暂的复兴；尽管如此，传统乡村音乐最终在 21 世纪分裂为更多分支，且与其他流派的融合从未停止；近年来，最具影响力的乡村音乐家是肯尼・切斯尼（Kenny Chesney）和卢克・库姆斯（Luke Combs），他们擅长将乡村音乐与其他流派的元素相结合。

4.3 从演变到变革

4.3.1 变革发生的时期

前文已充分利用基础模型探索艺术家和流派的演变过程，但音乐演变中更重要的是那些将音乐推向新高度的革命性转变。我们将 "变革" 解读为音乐演变过程中两年之间的重大飞跃。因此，利用 "data_by_year" 数据集，按照前文所述的主成分分析（PCA）方法计算每年的四个因子值；在此基础上，计算每年与次年的余弦相似度，将其作为标志变革的指标。

相似度越小，表明这两年之间的差异越大。从时间线中可以得出结论：大多数情况下，音乐的演变较为平稳，两年之间的相似度在 0.8 以上；然而，在 1929 年、1938 年、1945 年、1949 年、1966 年、1974 年、1980 年前后，相似度出现了一些急剧下降（标注为红色）；21 世纪也出现了一些小幅度的下降。这些与前一年相似度较低的年份可被视为音乐变革时期，导致音乐特征发生重大飞跃，相似度显著降低。研究发现，近年来的变革时期较少。考虑到如今音乐流派的多样性和相对和平的世界局势，认为这一结果相当合理。

4.3.2 标志性革新艺术家

标志性革新艺术家是指其作品对同时代艺术家产生重大影响的艺术家。由于每个变革时期的革新者各不相同，仅以 1965-1967 年这一典型时期为例，其他时期的革新者可采用类似方法进行分析。为找出该时期重大变革的影响者，分析了 1965-1967 年期间发行歌曲的所有艺术家及其对应的影响者。结果显示，纵轴代表 1965-1967 年期间发行歌曲的特定影响者的追随者数量。

从图中可以看出，1965-1967 年期间活跃的所有艺术家当中，94 位受到披头士乐队的影响，64 位受到鲍勃・迪伦的影响，明显超过其他影响者。这可以通过披头士乐队引领的引人注目的 "英国入侵"（British Invasion）以及迪伦对此类入侵的美国式回应来解释。由于披头士乐队和鲍勃・迪伦都是 20 世纪 60 年代出道的著名艺术家，在现代流行音乐和摇滚音乐的演变中发挥着至关重要的作用，因此将他们视为 20 世纪 60 年代最具代表性的两位革新艺术家。同时，20 世纪 50 年代的艺术家（如汉克・威廉姆斯（Hank Williams）、查克・贝里（Chuck Berry）和猫王埃尔维斯・普雷斯利（Elvis Presley））也可能在一定程度上促成了 1965-1967 年的变革。

4.4 音乐演变的其他影响因素

4.4.1 音乐的文化影响力

尽管没有提供与文化相关的数据集，但仍可基于构建的演变时间线推测音乐对文化的影响。从时间线中可以看出，典型的黑人音乐（爵士、蓝调、雷鬼等）在西方世界的流行程度，以及 21 世纪音乐流派的多样化。将这些趋势解释为音乐对黑人文化复兴和文化全球化的影响，但这些推测需要基于其他数据进行进一步验证。

4.4.2 社会、政治与技术变革

社会或政治变革往往导致社会氛围发生急剧变化，因此可能与音乐变革相关联。为探索此类变化对音乐的影响，查阅了一些社会科学研究，识别出变革年份发生的可能对变革产生作用的重大事件。

此外，分析了 1965-1967 年期间活跃艺术家的影响者的出道年份，惊讶地发现只有 21% 的影响者是 20 世纪 60 年代出道的艺术家，这意味着 1965-1967 年期间活跃的艺术家受到数十年前艺术家的影响最大，但在 20 世纪 60 年代创作了具有革新意义的作品。那么，为什么 20 世纪 50 年代的艺术家没有带来同样的变革呢？将 1965-1967 年期间创作的杰出音乐归因于 20 世纪 60 年代动荡的社会环境。由于古巴导弹危机、"爱之夏"（Summer of Love）、嬉皮士运动、马丁・路德・金领导的美国黑人民权运动等事件的发生，1965-1967 年期间，艺术家在作品中更多地体现了对人权的思考和反叛精神，这一时期流行 / 摇滚的兴起就是这种影响的证明。
Figure 18: The Start Year of Influencers of Active Artists in 1965 1967

关于技术变革，从演变时间线中发现，新兴流派 "电子音乐" 在 21 世纪越来越受欢迎；与此同时，近几十年来，音乐特征 "原声性"（acousticness）稳步下降，这意味着更多的技术增强或电子放大手段被应用于音轨制作。
Figure 17: Social or Political Events Realated to Music Revolutions Figure 19: The Decline in Acousticness

5 敏感性分析

音乐影响力的评估对探索结果具有重要影响，不同的音乐影响力数值可能导致对最具影响力者的误判，这与音乐历史进程不符。然而，影响力评估的合理性取决于前文构建的冷却模型中的衰减系数。因此，本节将对衰减系数进行更深入的探讨。改变 α 可能会影响音乐影响力（MI）系数，如果波动过大甚至破坏了音乐影响力随时间的下降趋势，则需要重新考虑该模型。

可以看出，当 α 在 0.1 到 0.6 之间变化时，音乐影响力（MI）系数的总体趋势随时间的变化保持一致；同时，α 越大，影响者在其活跃起始年份的影响力越大。当 α=0.7 时，艺术家的音乐影响力（MI）在其活跃起始年份的影响最大，随后逐渐下降。这种情况应避免，因为它不符合实际音乐流行趋势的滞后性。当 α=0.6 时，影响者活跃起始年份的音乐影响力（MI）系数已达到 0.97。在 0.6 附近进行了多次尝试，发现音乐影响力（MI）系数的变化变得非常敏感，趋势容易被破坏，这对于不同的数据集而言并非好事。因此，衰减系数 α 应设置在 0.1 到 0.6 之间，该区间内模型相对稳定。

6 评估

6.1 优势

本研究的模型和解决方案具有以下突出特点：

模型兼具宏观描述与个案分析，为国际综合音乐协会（ICM）提供了更易懂的报告；
测量尺度统一，均采用余弦相似度衡量音乐、艺术家和流派之间的相似程度，确保了一致性和可理解性；
创新性地引入物理学模型进行解答，体现了学科间的联系，为数学问题的解答提供了新思路；
对参数进行了敏感性分析，得到了可变化的范围，为模型使用者提供了参考。

6.2 不足

由于时间和数据的限制，模型不可避免地存在一些不足之处，后续将进行改进和修正：

降维方法可进一步优化：尽管本报告中使用的主成分分析（PCA）方法通过了巴特利特球形度检验，但提取四个因子时仍存在信息损失，希望在未来的探索中找到更好的降维方法；
冷却模型中使用的系数值是自行设定的：尽管该系数在敏感性分析中表现良好，但仍希望对该模型进行更深入的研究，利用科学数据集计算系数值；
对每年主导流派的探索在某些年份不可避免地存在小误差：希望在提供更多数据的情况下，改进算法并纠正这些误差。

7 结论与后续思考：致国际综合音乐协会（ICM）的报告

尊敬的国际综合音乐协会（ICM）：

我们已完成音乐影响力相关的所有要求任务，现将研究方法和工作价值说明如下：

首先，构建了音乐影响力有向网络，连接影响者与追随者；随后，构建冷却模型描述影响力的下降趋势，计算音乐影响力（MI）；通过对子网络的分析，发现近几十年的影响关系趋于复杂，部分当下音乐影响力（MI）较低的影响者，在其职业生涯中可能影响了更具影响力的音乐家。第二项任务中，利用主成分分析（PCA）方法生成的特征向量，计算艺术家或流派间的余弦相似度，发现同一流派内的相似度约为 0.6，不同流派间的相似度约为 - 0.1，表明同一流派内的艺术家更相似。

第三项任务中，获得相似度矩阵并绘制热力图，展示各流派之间的关联；为区分相似流派，选取节奏蓝调与爵士、蓝调进行对比，绘制雷达图，发现其与前者的主要差异在于能量（energy），与后者的主要差异在于效价（valence）；构建每年的特征向量，逐一与流派的中心值计算相似度；引入引力模型，同时衡量相似度和流行度，判断每年最热门的音乐，进而观察流派随时间的变化情况。第四项任务中，通过观察密度曲线，发现追随者与其影响者的相似度较高，而与非影响者的相似度较低，表明影响者确实存在影响；随后，通过分析特定流派内缺失不同特征对相似度的影响，找出每个流派的传染性特征。第五项任务中，致力于寻找流派变化的转折点和重要影响者；通过计算年份间的相似度绘制折线图，拐点即为发生重大变化的年份；在该任务中，对选取的数据添加时间限制，仍使用音乐影响力（MI）寻找不同时期的最具影响力者，模型得到了良好的延续和发展。最后，结合构建的模型，详细分析了乡村音乐的动态影响者和演变趋势。由于社会环境背景在研究过程中不断体现，模型不仅在数学层面有效，还融入了社会与音乐的相互作用，使其更具可靠性。

然而，我们的研究基于提供的数据集，因此可能不适用于更大规模的数据。若能获得更丰富的数据，将通过重新拟合冷却模型中的时间曲线来优化模型，以更好地捕捉音乐影响力，并考虑开发新的动态影响者指标。关于音乐领域的后续研究，建议探索流派融合的产生方式以及音乐变革与文化变化的关联 ------ 因为我们发现流派的融合和分支在音乐演变中非常普遍且具有重要影响。总之，希望您能从我们的报告中获得对音乐演变的有意义的理解，并祝愿我们所有人都能在未来享受音乐带来的快乐！

此致敬礼！2121604 号团队

参考文献

$1$ 《历史侦探》（History Detectives）. PCB. 20 世纪音乐（20th Century Music）. $2$ 尼古拉・奥里奥（Nicola Orio），安东尼奥・罗达（Antonio Roda）. 基于音乐结构图形表示的旋律相似度测量（A measure of melody similarity based on a graph presentation of the music structure）. 第十届国际音乐信息检索学会会议（ISMIR 2009）. $3$ 胡安・P・贝洛（Juan P.Bello）. 音乐结构相似度测量（Measuring structural similarity in music）. 《电气和电子工程师协会音频、语音和语言处理汇刊》（IEEE Transactions on Audio, Speech, and Language Processing），2011，19 (7)：2013-2025. $4$ G. 察内塔基斯（G. Tzanetakis），P. 库克（P. Cook）. 音频信号的音乐流派分类（Musical genre classification of audio signals）. 《电气和电子工程师协会语音和音频处理汇刊》（IEEE Transactions on Speech and Audio Processing），第 10 卷，第 5 期，第 293-302 页，2002. $5$ 马库斯・舍德尔（Markus Schedl）. 利用 LFM-1b 数据集探究特定国家的音乐偏好和音乐推荐算法（Investigating country-specific music preferences and music recommendation algorithms with the LFM-1b dataset） $J$ . 《国际多媒体信息检索期刊》（International Journal of Multimedia Information Retrieval），6 (1)：71-84，2017. $6$ 音乐图谱（Musicmap）| 流行音乐流派的谱系与历史（The Genealogy and History of Popular Music Genres）. (2020). 2021 年 2 月 5 日获取自https://musicmap.info/