Сложность сети musicoin: Калькулятор майнинга биткоин с учетом сложности сети — conspi.ru — Конспирология

Содержание

Калькулятор майнинга биткоин с учетом сложности сети

За последние годы криптовалюты успели зарекомендовать себя в качестве самых перспективных и защищенных видов инвестиций в мире. Для заработка криптовалют сегодня используются специализированное оборудование.

Добыча осуществляется одним из трех способов:

Облачные майнинг-сервисы, предоставляющие в аренду мощности своих дата центров для добычи выбранной вами криптовалюты (самый выгодный формат на 2021 год).
GPU фермы из видеокарт, которые можно сделать у себя дома из обычных магазинных комплектующих;
ASIC оборудование, созданное исключительно для майнинга под конкретный алгоритм;

Перед тем как вы решите собирать ферму из видеокарт, сразу же заметим, что сейчас выгоднее вложить средства в сервисы облачного майнинга, где вы арендуете мощность тех же самых видеокарт и АСИКов, но они находятся в удаленном дата центре и обслуживаются специалистами данного сервиса, тем самым освобождая вас от решения кучи задач сопровождающих процесс майнинга.

EMDC майнинг пул предоставляет эффективный майнинг криптовалют при помощи ASIC-оборудования и видеокарт.

Перед выбором и покупкой оборудования, естественно необходимо сделать расчеты окупаемости и будущей прибыли, а также затраты на электроэнергию (это немалая часть расходов). Для этого есть специальные калькуляторы для автоматического расчета доходности майнинг-оборудования вместе с уровнем его энергопотребления.

Ключевые понятия при расчете окупаемости майнинга

Для начала обозначим ключевые понятия используемые при расчете доходности добычи криптовалют и сроках окупаемости для оборудования.

Прибыль после покупки оборудования вы начинаете получать только после возврата затрат на оборудование.

Период окупаемости — это время, необходимое для работы оборудования для получения прибыли, которая в сумме должна покрыть расходы на оборудование и на оплату электричества за данное время, а также аренду помещения, если вы осуществляете добычу на арендуемой территории (актуально для больших ферм или гаражных комплексов).
Хешрейт — это вычислительная мощность оборудования. Сколько хешей может посчитать данная видеокарта или майнер в секунду. Чем больше мощность, тем больше получаете монет.
Сложность добычи — величина, определяемая сетью. Со временем растет, онлайн калькуляторы это учитывают в своих подсчетах.

Майнер — устройство, на котором происходит добыча криптовалют. По умолчанию любое вычислительное устройство: видеокарта, ASIC майнер, CPU процессор.
Майнинговая ферма — комплекс оборудования для добычи криптовалюты, объединенный в одном помещении.
Энергопотребление — сколько электричества потребляет оборудование, при расчетах берите тарифы актуальные для вас, поскольку они могут сильно отличаться от тех, что заданы по умолчанию.

Как производится расчет доходности майнинга

Калькулятора доходности майнинга, помогают ориентироваться в текущей ситуации на криптовалютном рынке.

Сервисами расчета добычи пользуются как новички, так и опытные майнеры. На сегодня существует 5 вариантов заработка «цифрового золота».

Майнинг на GPU-ригах. Удобный вариант для семейного бизнеса. Майнинг установку можно разместить в квартире, под постоянным наблюдением. Доступен для уверенных пользователей ПК, владеющих основами программирования.
Майнинг на Asic. Прибыльный, но менее комфортный вариант, из-за высокой шумности устройств на интегральных схемах.
Добыча на CPU. Некоторые алгоритмы допускают использование центрального процессора. Но такой майнинг малоэффективен.

Добыча в облаке. Самый легкий, но наиболее рискованный для инвестиций способ получения криптовалюты.
Майнинг на жестких дисках. Данный вид заработка цифровых монет называют «зеленым» майнингом. Ферма на HDD почти не шумит и потребляет умеренное количество электроэнергии, но АСИКи или видеокарты окупаются быстрее.

В интернете есть калькуляторы доходности добычи, для всех вариантов. Лучшим сервисом расчета добычи является калькулятор whattomine. Учтите, времена соло-майнинга закончились. Добыча в пуле более выгодна даже для владельцев больших майнинг-ферм.

Исключением могут быть молодые блокчейн-проекты с небольшим количеством майнеров. Там хозяину мощной установки поначалу бывает выгодно поработать в соло. Если проект будет успешным, число майнеров быстро возрастет, что автоматически скажется на сложности добычи, и, тогда, майнер-одиночка поневоле будет вынужден подключатся к серверу для коллективной добычи.

Основные критерии калькуляции прибыльности добычи:

цена монеты на криптовалютных биржах;
хешрейт устройства;
сложность добычи;
стоимость электроэнергии;
комиссия пула.

Список популярных сайтов для расчета майнинга:

WhatToMine;
Cryptocompare;
ProfitMine;
CoinCalculator;
Nicehash калькулятор.

Имея все эти данные, калькулятор доходности добычи покажет число монет, добываемых майнером за определенный период (час, сутки, месяц, год) и сумму заработка в фиатных деньгах. Результаты расчета калькулятора доходности майнинга, позволяют определить сроки окупаемости оборудования и уровень рентабельности добычи криптовалюты.

Калькулятор прибыльности майнинга для фермы из GPU видеокарт

Для добычи криптовалюты на видеокартах доступно множество алгоритмов и еще в десятки раз больше монет, базирующихся на одних и тех же алгоритмах.

Самые популярные из них это DaggerHashimoto (монеты Ethereum, Ethereum Classic, Expanse, Musicoin, Ubiq) и Equihash (монеты ZCash, Zclassic, Zencash, Komodo, Hush).

К счастью для расчета прибыльности по этим монетам есть онлайн калькуляторы-агрегаторы включающие в себя все основные криптовалюты, вам необходимо указать лишь модель своей GPU видеокарты и сервис сам посчитает ее доходность онлайн сразу для всех монет, после чего вы сможете выбрать наиболее прибыльную на текущий момент времени.

Самый точный и авторитетный онлайн калькулятор для добычи это WhatToMine:

Достаточно выбрать модель и система сама посчитает ее производительность на всех известных алгоритмах.

Вторым по достоверности выдаваемых результатов является сервис от Nicehash:

Его отличительной особенностью является то, что помимо текущей доходности NiceHash дает прогноз окупаемости видеокарт в днях. Прогноз базируется на среднерыночной стоимости оборудования и текущего хешрейта помноженного на биржевой курс криптовалюты.

Калькулятор прибыльности майнинга на ASIC (АСИК)

Данный калькулятор для оборудования ASIC позволяет не только рассчитать точную доходность на текущий момент времени, но и прогнозирует уровень дохода на полтора года веред, с учетом возрастающей сложности сети. В интерфейсе доступны все популярные АСИКи с их техническими параметрами, вам необходимо только выбрать интересующую модель и задать стоимость электричества в вашем регионе.

Помимо общих данных данный инструмент предоставит вам наглядные таблицы, в которых будет собрана информация по заработку за сутки, неделю и месяц в различной валюте, а также по расходу электричества за те же временные диапазоны.

Таким образом, калькулятор криптовалют сможет максимально облегчить процесс выбора нужного вам оборудования, превратив длительный процесс подсчета в быстрое и простое занятие.

Калькулятор прибыльности для процессоров (CPU)

Расчет для процессоров можно также получить на сервисе NiceHash (рассмотрели выше), но стоит учитывать, что доходность добычи на CPU в 2021 году крайне низкая. Стоит рассматривать такой вариант только в совокупности с GPU фермой, где процессор будет использоваться только в рамках дополнительного источника дохода, по скольку с текущим уровнем сложности его стоимость может никогда не окупиться.

Такая ситуация сложилась потому, что почти все алгоритмы на которых можно использовать процессор, можно использовать и видеокарты, а их производительность в добыче криптовалюты не сопоставима. По этому крайне на рекомендуем покупать процессоры специально с целью майнинга, сейчас их можно использовать только как дополнительное оборудование.

Простой калькулятор прибыльности при добычи биткоин

Самый удобный и интуитивный калькулятор для расчета прибыльности от добычи биткоин на алгоритме SHA256:

Биткоин калькулятор позволяет рассчитать доходы от добычи, учитывая вложения в майнинговую ферму, стоимость электроэнергии, курсов валют и других показателей. Произведя расчеты, изучите различные отзывы об оборудовании для добычи биткоинов, чтобы понять, какой майнер лучше всего подходит именно вам.

На сегодня самым продвинутым устройством для майнинга Bitcoin является майнер Antminer S9 — 14,000,000 Mhash/s, 10182 Mhash/J и 5833 Mhash/s. Учтите, что долгосрочные расчеты с помощью калькуляторов майнинга могут оказаться не точными из-за ряда факторов: внезапного изменения курсов , сложности и ряда других параметров.

Продвинутый калькулятор доходности майнинга Bitcoin

Это более сложный калькулятор прибыльности для Bitcoin, который имеет множество тонких настроек и позволяет задать любые индивидуальные параметры. Рекомендуем данный инструмент только продвинутым пользователям, которые понимают значение каждого задаваемого параметра и могут правильно интерпретировать выходные значения.

Колонка «Доход BTC» в таблице ожидаемого заработка на майнинге показывает, какое количество биткоинов будет заработано за конкретный месяц. В конце этой колонки будет указана сумма монет, заработанная за весь период.

Колонка «Доход RUB минус расходы» отображает доходы в фиатной валюте за вычетом стоимости фермы, расходов на электроэнергию и амортизацию оборудования. К примеру, итоговая прибыль от добычи может быть положительной в биткоинах, но отрицательной в рублях. Такое может быть, если за указанный период доход в рублях не превысит стоимости майнинг фермы и затрат на электроэнергию. За каждый месяц отображается изменение общего баланса в выбранной валюте. Баланс за последний месяц в выбранном периоде будет итоговым заработком за весь период.

Колонка ROI (англ. Return On Investment) — показатель возврата инвестиций. Этот показатель становится 100% когда доходы станут равны расходам на покупку фермы, сложенными с прочими расходами на майнинг (электроэнергию, амортизацию, комиссию пула), проще говоря, когда ферма окупится. Если доход от добычи будет выше общих расходов, то ROI будет выше 100%, если наоборот — ниже.

Как начать майнить: простые советы для новичков.

Эта статья сделана специально для новичков в мире криптовалют, кто хоть раз задавал себе вопрос как начать майнить и не находил адекватного и в тоже время простого ответа.

Что б начать копать криптовалюты, Вам не надо знать про блокчейн, подтверждение транзакций, умные контракты, хардфорки и про другие умные вещи.

Весь процесс мы поделим на несколько этапов, на которых постепенно введем Вас в курс дела:

Железо.

Давайте начнем с простого у Вас должен быть настольный компьютер у которого есть процессор или видеокарта.

Почему не ноутбук? Все просто, дело в том что при майнинге оборудование сильно греется, а в ноутбуке все детали находятся чрезвычайно плотно друг к другу, естественно уровень нагрева высокий, а чем горячее железо тем больше шанс что оно выйдет из строя.

Второй минус ноутбука это его огромная цена, вместо мощного ноута можно купить несколько карт, кстати отсюда вытекает и третий минус, в ноутбук не вставишь несколько карт.

Хотя я слышал что некоторые умельцы таким образом развлекаются, но человеку далекого от этого я б не рекомендовал.

Далее нам нужно определится, какую монету мы будем майнить (от этого зависят наши дальнейшие действия).

Но для начала выясним какая видеокарта у нас стоит, для этого нужно зайти в диспетчер устройств и клацнуть на вкладку «Видеоадаптеры».

Теперь переходим на страничку с перечнем видеокарт и указанием хешрейта (сколько карта майнит на разных алгоритмах он разный).

Смотрите в основном три алгоритма DaggerHashimoto (алгоритм Эфира, Expanse), Equihash (Zcash), CryptoNight (Monero) это одни из самых ликвидных монет.

Возникает сразу вопрос а биткоин где майнить? Почему не рассказываете как майнить заветную монетку? Дело в том, что Bitcoin никто не добывает с помощью видеокарты, в 2012 году это еще можно было и даже в начале 13-го, но именно в этом году выпустили специальное приспособление под названием АСИК, который заточен только на добычу биткоина, стоит он примерно две тысячи американских долларов и в случае чего он просто становится мусором, то есть на авито его не продашь.

Выбор криптовалюты.

Теперь в зависимости от того, какой алгоритм выдает больше хешей, давайте выберем крипту которую будем майнить, так допустим у Вас на алгоритме DaggerHashimoto карточка жмет 12 мегахешей, какие у нас валюты созданы на нем?

Ethereum, Ethereum classic, Expanse, Ubiq, MUSI и еще несколько, но эти самые интересные. Смотрите если Эфир у Вас на слуху не обязательно правильно сразу же бросаться на него, так как у криптовалют есть одна фишка именуемая сложностью добычи.

Давайте сравним:

Сложность Ethereum.

Сложность Expanse.

Сложность Ubiq.

Сложность Musi.

Чем выше сложность тем сложнее добыть монетку, в основном и тем дороже она стоит, так как множество человек начинает ее добывать, а пропорциально участникам растет и сложность сети, в итоге майнеры получают меньше монет.

Какую же выбрать та которая дороже и дольше майнится или та которая дешевле и быстрее добывается. Если Вы не особо хотите разбираться, тогда выбирайте первый вариант и в

Ваш кошелек будет падать немного, но зато дорогой монеты. Если же Вы готовы вникать в это дело лучше майнить те монеты, которые легче добываются. Во-первых их быстрее можно получить, а во вторых, подобные монеты имеют свойство периодично увеличивать свою стоимость в несколько раз.

Кстати если Вы намайнили монету которая увеличила стоимость в несколько раз не спешите ее полностью ковертировать в биткоин, возможно она дальше будет расти, поэтому лучше оставить 30% процентов намайненного на кошельке.

Разбираемся с кошельком.

Кошелек это тот программный комплекс который хранит Ваши монетки. Он бывает двух видов. Первый – это оффлайн кошелек, который находится на Вашем компьютере. Я б его не советовал бы ставить, просто в случае чего с компьютером, восстановить его очень трудно, а иногда и просто невозможно.

Второй кошелек – это онлайн, он может располагаться на отдельных сайтах или на онлайн бирже. Сайтам посвященным созданию кошельков я б не доверял, они ведь могут практически в любую минуту испариться. Биржа вроде тоже, правда есть два но, биржа зарабатывает на участниках, а раз она это делает, значит заинтересована в сбережении репутации и привлечении новых трейдеров и просто участников.

Плюс хранить на бирже удобно, так как можно быстро совершить транзакцию и если увидите, что растет другая криптовалюта быстро продать свою и купить ее, а потом снова перепродать и так до бесконечности.

Есть несколько бирж, лично я пользуюсь Bittrex и Poloniex , вторая крупнее и надежнее, зато на первой больше интересных монеток. Выбирайте сами.

Давайте теперь покажу как создать свой кошелек на Bittrex.

Для начала регистрируемся, тут я ничего рассказывать не буду, единственное обращаю Ваше внимание – настройте двухэтапную аутентификацию, что бы точно быть защищенным.

После формальностей клацаем в верхнем правом углу на вкладку «Wallets».

В открывшимся окне находим строку поиска в правом верхнем углу, где пишем сокращение нашей валюты.

Теперь ищем строку с надписью выбранной Вами валюты и нажимаем возле нее на плюсик.

Далее нажимайте на кнопку «New address», и все кошелек сгенерирован, он представляет собой длинное числобуквенное выражение.

Выбираем Пул.

Грубо говоря пул – это объединения участников для майнинга криптовалюты. Т.е. сам процесс майнинга довольно длительный и сложный, а через пулы идет быстрее.

В техническом плане «Пул» – это сервер, распределяющий разгадывание блока между всеми участниками. Как только кто-то находит, решение, тогда сразу вознаграждение распределяется между всеми участниками сети.

Я б дал следующие рекомендации при выборе пула:

Ищите пул без регистрации, как по мне это лишнее, тем более потом добавляется необходимость немного дольше возится с настройкой программ, задавать имя воркера итд. Не советую.

Всегда проверяйте отображение работы программы на пуле (примерно через пять минут после начала).

Смотрите, чтобы были адекватные рекомендации в отношении начала майнинга, если там тарабарщина, можете попробовать, но лучше поищете пул где все понятно и работает (в основном все инструкции находятся во вкладке «Get started»).

Софт и его настройка.

После выбора пула давайте, возьмем например MusiCoinPool http://musicoin.miningclub.info/#/, заходим, в блок «Помощь» где находим следующую строку:

EthDcrMiner64.exe -epool musicoin.miningclub.info:8558 -ewal Address -eworker -epsw x -allcoins 1

Где Address нужно заменить номер Вашего кошелька, а вместо прописать любое другое число, которое будет являться названием Вашей машины.
Именно эту строку необходимо прописать в нашей программе но я забежал вперед, давайте сначала ее скачаем.

Качаем майнер Claymore’s Dual Ethereum Miner по официальным ссылкам:

После того как скачали открываем программу и создаем файл «start.bat», куда и пропишем заполненную строку.

Она должна у Вас получится примерно в таком виде:

EthDcrMiner64.exe -epool musicoin.miningclub.info:8558 -ewal 0xb12011cfd9354196c58ef4478f80429d7584524e -eworker fatf9 -epsw x -allcoins 1 -nofee 1

После сохраняем файл, важно чтобы он сохранился в расширении . bat и запускаем его. Если появилось следующее изображение значит он работает:

Теперь главное — проверка.

Заходим на главную страницу и вбиваем свой кошелек в пустое поле и нажимаем кнопку «Показать».

Если у Вас появилась примерно картинка с отображением мегахешей значит все прошло успешно и Вы начали майнить.

Кстати если Вы не уверены в том, что бы покупать оборудование для майнинга, или нету времени постоянно смотреть за видеокартой и настраивать программы, рекомендую попробовать сервис облачного майнинга Hashflare, где достаточно вложить 20$ для начала работы, окупаемость примерно полгода. По сравнению с покупкой видеокарты и прочего оборудования это не те деньги. Так сможете потренироваться перед тем, как серьезно майнингом, прочуствовать скачки курса и прелести вывода, ссылка ниже.

1 млн транзакций в Ethereum и делистинг Bittrex :: РБК.Крипто

Акции Grayscale Bitcoin Trust выросли на 340% за четыре месяца, МВФ ожидает скорый выпуск криптовалют от центробанков, глава JPMorgan назвал цифровые деньги конкурентами банков и другие новости прошедших двух дней

В выходные курс Bitcoin поднимался выше отметки в $12 400, после чего начал снижаться. Сейчас первая криптовалюта торгуется в районе $11 000. За последние два дня произошло сразу несколько событий, которые могут повлиять как на стоимость отдельных монет, так и на рынок в целом. Главные из них — в нашем традиционном обзоре.

Глава JPMorgan назвал криптовалюты конкурентами банков

Джейми Даймон, глава финансового холдинга JPMorgan, рассказал о перспективах криптовалют. Он отметил, что будущее цифровых денег сейчас находится под вопросом, во многом из-за сложности регулирования этой сферы, однако по словам специалиста, уже сейчас новый вид активов является конкурентом банкам, а со временем соперничество будет только расти.

«Блокчейн — это реально. И конкуренция также реальна. У нас всегда будут конкуренты, будь то криптовалюты или еще один поставщик финтех-решений», — заявил Даймон.

Акции Grayscale Bitcoin Trust опередили Bitcoin, золото и S&P 500 по доходности

С февраля акции Grayscale Bitcoin Trust выросли практически на 340%. Первая криптовалюта за это время подорожала на 220%, нефть на 12,8%, S&P 500 на 8,5%, а золото — на 7,7%. Общая сумма цифровых денег под управлением фонда на данный момент составляет порядка $2,7 млрд, помимо биткоина Grayscale держит Ethereum, Bitcoin Cash, Litecoin, Stellar, Ethereum Classic, XRP и Zcash.

Bittrex начала делистинг восьми альткоинов

Биржа Bittrex перестанет работать с восемью низколиквидными альткоинами. Под делистинг попали Emercoin (EMC), ArtByte (ABY), Diamond (DMD), Musicoin (MUSIC), Qwark (QWARK), Solarcoin (SLR), Whitecoin (XWC) и Zclassic (ZCL). Криптовалюты станут недоступными для торговли 12 июля.

МВФ: центральные банки начнут выпускать свои криптовалюты

Несколько центральных банков рассматривают возможность выпуска собственных криптовалют, по данным опроса Международного валютного фонда. Багамы, Китай, Восточно-карибский валютный союз, Швеция и Украина близки к этому, а Уругвай уже запустил пилотную программу в области цифровых денег, заявили в организации.

Количество ежедневных транзакций в сети Ethereum превысило 1 млн впервые в 2019 году

28 июня число ежедневных транзакций в сети Ethereum превысило 1 млн. В последний раз оно было на таком же высоком уровне в мае 2018 года. Исторический максимум в 1 349 890 транзакций был установлен 4 января 2018 г., когда цена криптовалюты составляла приблизительно $1000, сейчас она находится на отметке в $300.

Автор

Михаил Теткин

Особенности майнинга с Whalesburg — ПрофитГид

Майнинг-пул Whalesburg был создан Евгением Киткиным и Владимиром Протасевичем. Они разрабатывали проект согласно собственному опыту, а также понимая возможности мелких добытчиков, с которыми они нередко сотрудничали.

За основу пула была взята идея честного распределения активов между всеми участниками с целью получения наибольшей выгоды. Так, алгоритмы пула учитывают не только реальную стоимость активов на момент добычи, но также и сложность распределенного реестра, хешрейт сети и ряд иных параметров, на основе которых принимается решение об изменении вычислительных мощностей.

Основные преимущества Whalesburg

Главным плюсом пула, не учитывая алгоритмическую систему распределения мощности между блокчейнами, является конкретное понимание всех потребностей майнеров, а также система масштабируемых решений, подходящих как крупной ферме, так и новичкам.

Важно отметить и поэтапную реализацию всех заявленных к разработке инструментов. Так, компания успешно провела распродажу токенов, в рамках которой презентовала собственный план улучшения своего продукта. Этого плана она продолжает успешно придерживаться до сих пор.

Кроме того, важно отметить открытость разработчиков перед майнерами, с которыми первые общаются в собственном Телеграм-канале.

Регистрация

Для начала работы с майнинг-пулом необходимо пройти регистрацию. Чтобы открыть личный кабинет, майнер должен заполнить анкету с адресом электронной почты и паролем. Далее необходимо указать имя, номер телефона, а также адрес кошелька, на который будут перечисляться добытые криптовалюты. Важно помнить, что использование кошельков бирж или обменников, конечно, позволит сэкономить на транзакциях, но увеличит риск взлома. Поэтому лучше использовать для этого отдельный счет.

Важно отметить, что компания не требует верификации аккаунтов клиентов, позволяя тем самым работать анонимно.

Работа с пулом

Фирма сотрудничает со многими майнерами, оборудование которых позволяет зарабатывать активы типа ETHash. В их число входят Ethereum, Ethereum Classic, Expanse, а также Dubaicoin и Musicoin.

Подключение к пулу упрощено настолько, на сколько это возможно. Более детальная информация о последовательности работы расположена на главной странице официального сайта компании.

Для более продуктивной работы с пулом Whalesburg создал собственного телеграм-бота, с помощью которого можно управлять фермой, а также получать оповещения.

Выплаты

Все транзакции осуществляются мгновенно после соответствующего запроса пользователя. Но снять деньги можно только раз в 24 часа. Помимо автоматизированной системы переключения мощностей между реестрами, Whalesburg представила криптосообществу также свой Proxy и технологию работы с нодами, которые одновременно укрепляют соединения между ригами и пулом, а также снижают средний Uncle Rate с 35% до 10%.

Комиссия за обслуживание считается одной из наиболее низких на рынке и составляет от 0,9% до 3%. На объем взимаемых средств влияет мощность используемого оборудования, а также участие в реферальной программе. Так, например, 0,4% будут начисляться майнеру за привлеченных пользователей первого уровня и 0,1% за участников второго уровня. Средства пул выплачивает из своих активов, не взимая деньги с рефералов.

Контакты

Связаться с разработчиками можно, написав обращение на главной странице сайта, нажав на кнопку “Отправить запрос”. Также можно отправить сообщение по электронному адресу [email protected] или позвонить по телефону +420-608-705-555.

Итоги

В целом, Whalesburg является достаточно техничным и удобным решением для майнеров. Его создатели делают все возможное для повышения прибыльности пула без усиления нагрузки на оборудование участников.

Немаловажным плюсом для компании является и наличие реферальной программы, которая делает работу на данной платформе для майнеров наиболее выгодной.

А вы работали с Whalesburg? Расскажите о своем опыте в комментариях! Другим майнерам будет полезен ваш отзыв.

Подписывайтесь на наши социальные сети:

Калькуляторы доходности криптовалют и окупаемости оборудования для добычи (GPU видеокарты и ASIC майнеры)

За последние годы криптовалюты успели зарекомендовать себя в качестве самых перспективных и защищенных видов инвестиций в мире.

Для заработка криптовалют сегодня используются специализированное оборудование. Добыча осуществляется одним из трех способов: GPU фермы из видеокарт которые можно сделать у себя дома из обычных магазинных комплектующих; ASIC оборудование созданное исключительно для майнинга под конкретный алгоритм; Облачные майнинг сервисы предоставляющие в аренду мощности своих дата центров для добычи выбранной вами криптовалюты (самый выгодный формат на 2019 год). Перед выбором и покупкой оборудования, естественно необходимо сделать расчеты окупаемости и будущей прибыли, а также затраты на электроэнергию (это не малая часть расходов). Для этого есть специальные калькуляторы для автоматического расчета доходности майнингового оборудования вместе с уровнем его энергопотребления.

Онлайн калькуляторы окупаемости майнинга по типам устройств

Для начала обозначим ключевые понятия используемые при расчете доходности добычи криптовалют и сроках окупаемости для оборудования.
Прибыль после покупки оборудования вы начинаете получать только после возврата затрат на оборудование.
Период окупаемости — это время, необходимое для работы оборудования для получения прибыли, которая в сумме должна покрыть расходы на оборудование и на оплату электричества за данное время, а также аренду помещения, если вы осуществляете добычу на арендуемой территории (актуально для больших ферм или гаражных комплексов).
Хешрейт — это вычислительная мощность оборудования. Сколько хешей может посчитать данная видеокарта или майнер в секунду. Чем больше мощность, тем больше получаете монет.
Сложность добычи — величина, определяемая сетью. Со временем растет, онлайн калькуляторы это учитывают в своих подсчетах.
Майнер — устройство, на котором происходит добыча криптовалют. По умолчанию любое вычислительное устройство: видеокарта, ASIC майнер, CPU процессор.
Майнинговая ферма — комплекс оборудования для майнинга криптовалюты, объединенный в одном помещении.
Энергопотребление — сколько электричества потребляет оборудование, при расчетах берите тарифы актуальные для вас, поскольку они могут сильно отличаться от тех которые заданны по умолчанию.

Калькулятор прибыльности майнинга для фермы из GPU видеокарт

Для добычи криптовалюты на видеокартах доступно множество алгоритмов и еще в десятки раз больше монет, базирующихся на одних и тех же алгоритмах. Самые популярные из них это DaggerHashimoto (монеты Ethereum, Ethereum Classic, Expanse, Musicoin, Ubiq) и Equihash (монеты ZCash, Zclassic, Zencash, Komodo, Hush). К счастью для расчета прибыльности по этим монетам есть онлайн калькуляторы-агрегаторы включающие в себя все основные криптовалюты, вам необходимо указать лишь модель своей GPU видеокарты и сервис сам посчитает ее доходность онлайн сразу для всех монет, после чего вы сможете выбрать наиболее прибыльную на текущий момент времени. Самый точный и авторитетный онлайн калькулятор для майнинга это WhatToMine:

Достаточно выбрать модель и система сама посчитает ее производительность на всех известных алгоритмах.

Вторым по надежности выдаваемых результатов является сервис от NiceHash:

Его отличительной особенностью является то, что помимо текущей доходности NiceHash дает прогноз окупаемости видеокарт в днях.

Прогноз базируется на среднерыночной стоимости оборудования и текущего хешрейта помноженного на биржевой курс криптовалюты.

Калькулятор прибыльности майнинга на ASIC (АСИК)

Для того, чтобы использовать калькулятор, просто выберите из выпадающего списка интересующий вас ASIC-майнер и введите известный вам хешрейт устройства с потреблением, после чего нажмите на клавишу «Расчет». Калькулятор предоставит всю информацию о потреблении майнера и текущих данных по заработку криптовалют с автоматической конвертацией в доллары, гривны, рубли и евро. Помимо общих данных данный инструмент предоставит вам наглядные таблицы, в которых будет собрана информация по заработку за сутки, неделю и месяц в различной валюте, а также по расходу электричества за те же временные диапазоны. Таким образом, калькулятор криптовалют сможет максимально облегчить процесс выбора нужного вам оборудования, превратив длительный процесс подсчета в быстрое и простое занятие.

Калькулятор прибыльности для процессоров (CPU)

Расчет для процессоров можно также получить на сервисе NiceHash (рассмотрели выше), но стоит учитывать, что доходность майнинга на CPU в 2019 году крайне низкая. Стоит рассматривать такой вариант только в совокупности с GPU фермой, где процессор будет использоваться только в рамках дополнительного источника дохода, по скольку с текущим уровнем сложности его стоимость может никогда не окупиться. Такая ситуация сложилась потому, что почти все алгоритмы на которых можно использовать процессор, можно использовать и видеокарты, а их производительность в добыче криптовалюты не сопоставима. По этому крайне на рекомендуем покупать процессоры специально с целью майнинга, сейчас их можно использовать только как дополнительное оборудование.

Калькуляторы доходности майнинга для различных криптовалют

В зависимости от добываемой криптовалюты прибыльность может сильно различаться, даже если майнинг идет на одном и том же алгоритме. Это происходит из-за постоянных движений биржевого курса и скачков сложности сети конкретного блокчейна. Мы рассмотрим самые точные и простые в использовании калькуляторы для наиболее популярных монет и алгоритмов.

Простой калькулятор прибыльности при добычи биткоин
Самый удобный и интуитивный калькулятор для расчета прибыльности от добычи биткоин на алгоритме SHA256:

Биткоин калькулятор позволяет рассчитать доходы от майнинга, учитывая вложения в майнинговую ферму, стоимость электроэнергии, курсов валют и других показателей. Произведя расчеты, изучите различные отзывы об оборудовании для майнинга биткоинов, чтобы понять, какой майнер лучше всего подходит именно вам. На сегодня самым продвинутым устройством для майнинга Bitcoin является майнер Antminer S9 — 14,000,000 Mhash/s, 10182 Mhash/J и 5833 Mhash/s. Учтите, что долгосрочные расчеты с помощью калькуляторов майнинга могут оказаться не точными из-за ряда факторов: внезапного изменения курсов , сложности и ряда других параметров.

Продвинутый калькулятор доходности майнинга Bitcoin

Поскольку из-за изменения сложности в сети Биткоин и курса BTC трудно делать прогнозы на длительный период, в калькулятор заложена возможность указания предполагаемого изменения этих параметров. Есть возможность как задать ожидаемое изменение сложности в месяц для всего периода, так и для каждого месяца в отдельности. Колонка «Доход BTC» в таблице ожидаемого заработка на майнинге показывает, какое количество биткоинов будет заработано за конкретный месяц. В конце этой колонки будет указана сумма монет, заработанная за весь период. Колонка «Доход RUB минус расходы» отображает доходы в фиатной валюте за вычетом стоимости фермы, расходов на электроэнергию и амортизацию оборудования. К примеру, итоговая прибыль от майнинга может быть положительной в биткоинах, но отрицательной в рублях. Такое может быть, если за указанный период доход в рублях не превысит стоимости майнинг фермы и затрат на электроэнергию. За каждый месяц отображается изменение общего баланса в выбранной валюте. Баланс за последний месяц в выбранном периоде будет итоговым заработком за весь период. Колонка ROI (англ. Return On Investment) — показатель возврата инвестиций. Этот показатель становится 100% когда доходы станут равны расходам на покупку фермы, сложенными с прочими расходами на майнинг (электроэнергию, амортизацию, комиссию пула), проще говоря, когда ферма окупится. Если доход от майнинга будет выше общих расходов, то ROI будет выше 100%, если наоборот — ниже.

Калькулятор доходности добычи Ethereum (Эфириум)

Простой и минималистичный калькулятор для расчета заработка при добычи Эфира, позволяет оценить рентабельность введя всего один только показатель вашего хешрейта. Самый удобный и практичный калькулятор из всех которые мы встречали:

Hashrate и время блока рассчитывается, на основе данных последних 64 блоков. Цена от coinmarketcap. Данные обновляются каждые 10 минут.

Калькулятор доходности добычи Zcash (ZEC)

Рассчитать данные по Zcash можно было и на калькуляторах представленных выше, но если вам нужны данные только по ZEC без примеси других монет, наиболее удобен будет этот вариант:

Калькулятор доходности добычи Dash

На сервисе CryptoCompare также есть отдельный модуль позволяющий увидеть текущую прибыльность по криптовалюте Dash, достаточно лишь указать свой хешрейт и стоимость электроэнергии:

Это все наиболее точные и проверенные пользователями калькуляторы, стоит отметить что данные могут немного различаться в зависимости от индивидуальных особенностей вашего оборудования например: производителя памяти для GPU), разгона видеокарты, даунвольтинга.

источник

Musicoin — как зарегистрироваться и выложить свою музыку — Уроки игры на пианино – видео курсы пианино и фортепиано онлайн — MuzVideo2.

20.09.2017 Автор статьи — Сергей Филимонов в рубрике Блог автора, Интересное

Musicoin – как зарегистрироваться и выложить свою музыку

Недавно я узнал о криптовалюте MusiCoin, которая, как и другие криптовалюты, может быть добыта обычным способом (майнингом), а также её можно заработать с помощью своей музыки.

Какие преимущества даёт musicoin для музыкантов:

Каждый, кто хочет послушать Вашу композицию, нажимая на кнопку “Play”, автоматически перечисляет Вам одну или несколько монеток MC (musicoin). Скачивать не разрешается.
Вы получаете 100% от перечисленной суммы в монетах musicoin (на всех других сервисах Вы получите гораздо меньше)
Вы можете установить распределение суммы между всеми участниками группы и каждый участник группы будет получать также автоматически монеты за прослушивание в соответствии со своим процентом.
Приобретённые монеты Вы можете использовать любым способом: перечислить на любой другой кошелек, вывести, потратить на прослушивание другой музыки других авторов, а также просто копить, надеясь на рост курса musicoin.

Сколько платят за одно прослушивание:

Нашёл картинку в твиттере проекта Musicoin о плате за одно прослушивание в сравнении с другими сервисами, предлагающими оплату за выкладывание музыки или видео с музыкой.

Сравнение цен за 1 прослушивание на разных сервисах

Преимущества musicoin для слушателей:

Вы можете слушать музыку бесплатно (за счёт средств общего распределяемого дохода UBI. 20% с майнинга распределяется между основателями проекта и слушателями, которые могут пользоваться бесплатными прослушиваниями). С каждого прослушивания автор получает 1 монетку musicoin.
Вы точно знаете, что каждая транзакция – это оплата именно тому музыканту, который выложил эту музыку. Никаких посредников!
Вы можете платить чаевые (Tips) автору, если Вам хочется напрямую передать автору своё восхищение композицией и он будет знать, кто перечислил ему вознаграждение.
Вы можете майнить (добывать) эту криптовалюту и использовать её для оплаты чаевых любимым музыкантам.

Поскольку сам я музыкант и майнингом никогда не занимался (может в будущем?), то подробности добычи этой криптовалюты не могу Вам рассказать. Об этом есть много других источников.

Мои личные ощущения от регистрации на musicoin.org:

Зарегистрироваться на musicoin.org и создать свой кошелёк довольно просто. Весь процесс регистрации на сайте займёт около 5-10 минут. Можно зарегистрироваться как автор или как слушатель. Авторы получают возможность загружать свои композиции. Первоначально Вы сможете загрузить только одну свою композицию, а остальные только после верификации аккаунта. Верификацию получают не все, кто регистрируется как музыкант. Модераторы просматривают ленты Ваших социальных сетей (преимущественно Facebook и Twitter), чтобы убедиться, что Вы “квалифицированный” автор. То есть, они могут принять как положительное, так и отрицательное решение, а также вполне могут заблокировать Ваш аккаунт, если сочтут, что Вы аферист.

Чтобы выложить трек на musicoin – нажмите на изображение облака со стрелкой в правом верхнем углу (после входа в свой аккаунт). Далее по очереди заполните все формы (загрузите трек, дайте описание, картинку и т.д.). Последняя страничка загрузки трека выглядит так:

И вот на этом самом месте как правило очень долго придётся подождать, т.к. загрузка в блокчейн занимает довольно много времени. У меня этот процесс висел на одной странице около 5 минут, прежде чем трек наконец загрузился. Поэтому нужно проявить терпение и не обновлять страницу загрузки.

Первый трек, который я выложил на musicoin (“Воспоминания”): https://musicoin.org/track/0xb987dfb29128cc390f363f4ef7c0b58c3fd14109

“Параллельные миры” – вчера переиграл их заново, т.к. теперь чуть по-другому вижу ритмику произведения. Тоже залил на musicoin: https://musicoin.org/nav/track/0xd6b869335a0ac6dc0c311564a6f6c026800c5b54

Какие сложности могут быть при загрузке своих работ на musicoin:

Самая основная сложность, с которой я столкнулся сразу же – это невозможность загрузить второй трек. Сразу после нажатия кнопки Release она превращалась в кнопку “Please Wait…”, как на изображении выше, после чего всё оставалось так как есть в течение многих часов… То есть висло на этой стадии и ничего не происходило. Я раз 10 наверное заново загружал трек, заново делал описание, заново загружал картинку и снова нажимал на кнопку Release… И снова тишина…

Оказалось, что дело было лишь в том, что на момент загрузки второго трека аккаунт еще не был верифицирован и загрузка второго трека не происходила.

Теперь сразу после загрузки первого трека пиктограмма “облачко со стрелкой” пропадает и загрузить второй трек просто невозможно.

Вторая сложность, которая может возникнуть – это отсутствие верификации (слетела верификация musicoin) Вашего аккаунта музыканта. Чаще всего это означает, что Вы мало использовали соцсети Facebook и Twitter для продвижения своей музыки и в Вашей ленте модераторы не нашли подтверждения того, что Вы музыкант и давно уже этим занимаетесь. Если Вы продвигаетесь через другие соцсети (например Вконтакте или Ютуб), то Вам следует написать в поддержку письмо с просьбой пересмотреть решение о “неверификации” и если они услышат Ваши просьбы, то скорее всего пойдут навстречу и верифицируют аккаунт.

На мой взгляд, решение о том, стоит ли верифицировать аккаунт или нет не должно по большому счёту стоять на повестке дня. Музыкант ты или нет – решат слушатели, которые будут или не будут тебя слушать. Музыка – вещь субъективная и не всегда успешность произведения зависит от качества исполнения и финальной обработки. Вспомните песни Семёна Слепакова. Обычный голос, обычная гитара, ничего особенного. Но слова – о да! Слова в его песнях решают все остальные проблемы. Но, видимо, пока не очень много музыкантов зарегистрировано, основатели не хотят слышать откровенное “Г” на своём сервисе, чтобы не потерять возможность раскрутки, поэтому принимают решения самостоятельно на основании субъективных ощущений.

Как узнать, что Ваш аккаунт musicoin верифицирован?

Сразу после верификации аккаунта появляется зелёная галочка рядом с Вашей аватаркой. Вот такая:

Эта галочка будет означать, что теперь Вы полноправный “товарищ” общества Musicoin и теперь у Вас есть возможность загрузить второй и последующие треки, а также получить свои 100 бесплатных монет для прослушивания музыки. Верификация у меня длилась около суток. Думаю, что это время может быть чуть меньше или чуть больше…

Откуда берутся “бесплатные” прослушивания?

Musicoin – это криптовалюта, которую можно добывать (майнить). Каждые 15 секунд на текущий момент находится один блок из трёхсот с лишним монет, из которых большая часть идёт майнерам, а небольшая часть распределяется между основателями и слушателями, которые могут использовать эти монеты для прослушивания музыки. Эти бесплатные монеты не появляются на Вашем счету. Честно говоря, так до сих пор и неясно, сколько этих монет физически есть на данный момент. Тем не менее, при нажатии на кнопку Play одна монетка из этих средств фактически зачисляется на счёт автора трека.

Возможности раскрутки своих треков на musicoin:

В musicoin предусмотрены рейтинги по количеству прослушиваний и по количеству чаевых, которые Вам оставили после прослушивания трека. Рейтинги составляются по дням, неделям, месяцам. Вы можете многократно слушать свои же произведения, чтобы росли прослушивания, но это будет немного странно (и Вас могут заблокировать), поэтому лучше сообщить друзьям и своим слушателям, рассказать о преимуществах musicoin и вовлечь их в это сообщество.
Есть твиттер musicoin, в котором авторы проекта не только публикуют новости, но и делают ретвиты произведений, выложенных на проекте. Т.е. если Вы периодически будете выкладывать в твиттере ссылки на свои произведения в musicoin, то рано или поздно их ретвитнут и прослушивания вырастут.

Есть ли реферальная программа у musicoin?

Да, есть. Вы можете привлекать друзей в проект musicoin, используя свою реферальную ссылку (до 5 человек). Они точно так же зарегистрируются в musicoin, как если бы они нашли его напрямую, но Вы получите за каждого нового пользователя около 20 монет. Это конечно немного, но есть возможность эти монетки как-то использовать: дать на чай любимому музыканту или же поменять на другую криптовалюту, которая Вам нравится.

Мой аккаунт на Musicoin – https://musicoin.org/artist/0xdd792ed1ec88b9d365aebab15a655606a22b2f70

Заходите и послушайте!

Как работает Musicoin

Musicoin разработан для поддержки создания, публикации и потребления музыки в виде цикла. Система использует специальный алгоритм для генерации валюты под названием Musicoin (MC), а также другой алгоритм для поддерживать автоматические контракты («умные контракты»), которые позволяют создателям и потребителям обмениваться ценностями в среда без трения. С уникальной валютой и прочной контрактной системой крупномасштабные транзакции вокруг становится возможной музыка.

Шаризм

Шаризм — это фундаментальная философия, лежащая в основе системы Musicoin, и именно с этой точки зрения люди могут делиться своими творениями в Интернете и получать оплату каждый раз, когда их творения воспроизводятся (или читают, пользовались и т.д. в зависимости от контекста). Итак, для работы музыканта, переданной в систему, система отслеживает использование и возвращает заданное значение непосредственно им в соответствии с принципом равного энергообмена.

Валюта

Основатели Musicoin разработали глобальную валюту (MC) для поддержки требований Musicoin. система. Валюта выпускается не одним лицом, а сетью компьютеров посредством известного процесса. как «добыча полезных ископаемых». Эта система, которая была проверена другими криптовалютами, такими как Биткойн, Эфириум, Dash и другие, включает в себя множество компьютеров по всему миру, на которых запущен сложный компьютерный алгоритм, со всем сеть, сотрудничающая с целью создания валюты, которую нельзя подделать, нельзя «потратить дважды» и нельзя манипулировать или иным образом повредить по халатности или злонамеренному умыслу.Как полностью видимый, прозрачная и децентрализованная система, традиционное использование централизованного управления по умолчанию власть (центральный банк и т. д.) устарела и уходит в прошлое.

Смарт-контракты

С надежной и неизменной валютой MC можно создавать смарт-контакты для автоматического запуска в убедитесь, что платежи производятся правильно, прямо и незамедлительно, а также что правильный контент предоставлен запрашивающей стороне.Был разработан ряд шаблонов контрактов, которые могут использоваться создатели для разных типов использования и потребления. Первый и, пожалуй, самый важный контракт — это Контракт с оплатой за игру (PPP). PPP автоматизирует единичное потребление музыки (т. Е. Потоковую передачу одной песни), поэтому что как только слушатель нажимает «воспроизведение», происходит немедленная транзакция, которая платит создателю напрямую как указано в договоре. Опять же, каждая транзакция записывается и отображается на сеть, исключающая любую возможность взлома или удаления.

Другой смарт-контракт шаблоны будут добавлены в систему в будущем, что позволит создателям контролировать и расширять свои возможности для лицензия работает для более широкого круга применений, а также для обеспечения большей гибкости контрактов и дополнительные возможности.

Musiconomy

Описанные выше механизмы призваны заложить основу, позволяющую музыкантам выпустить свои работает с системой, позволяя слушателям наслаждаться ими в непрерывном, плавном потоке.Как это процесс расширяется и повторяется, ожидается, что со временем он станет крупномасштабным явление, не требующее дальнейшего вмешательства. Чем больше релизов, тем больше слушателей; чем больше слушаю, тем больший доход музыкантам; чем больше доход, тем больше творений. Это именно цикл положительной обратной связи. описывается философией шаризма. Возможно даже, что криптовалюта Musicoin в конечном итоге может быть подлежат обмену на другие виды музыкальных товаров и услуг i.е. билеты на концерты, сувенирная продукция, тур пакеты, или потенциально даже выкупленные на товары широкого потребления, туристические услуги и т. д.

Будущий потенциал

Команда Musicoin предвидит долгое и обширное будущее для системы Musicoin в целом. С музыкой необходимы для жизни в человеческом обществе, полнота данных, записанных в системе Musicoin, может в конечном итоге послужит полезным справочным материалом для предварительного выбора песен для списков воспроизведения с использованием ИИ.Представьте себе машина, которая воспроизводит то, что она «знает», вы захотите услышать, когда захотите, вот это. Эта реальность просто за углом, и Musicoin спроектирован так, чтобы легко интегрироваться с такой машиной.

Техническая документация

Musicoin Project V2.0 | автор: Musicoin

( Примечание: опубликованный здесь технический документ представляет собой сокращенное издание полной версии, которую можно найти на Google Диске)

«Без музыки жизнь была бы ошибкой», Фридрих Ницше

Musicoin — это децентрализованная платформа, которая использует возможности технологии блокчейн, позволяя музыкантам полностью владеть своим контентом и финансами.Наша платформа построена на прозрачной одноранговой сети, работающей на программируемых смарт-контрактах, чтобы обеспечить справедливое вознаграждение за весь музыкальный контент и услуги. Наше долгосрочное видение — разработать открытую экосистему, в которой внешние поставщики могут создавать товары и услуги, связанные с музыкой, на платформе Musicoin.

Наступление цифровой эры в 1980-х позволило компаниям, подобным Napster, стать революционной силой в индустрии звукозаписи. Одноранговый обмен файлами позволил людям пиратским контентом в Интернете без юридических последствий.Это вызвало огромный резонанс среди музыкантов, потому что им не платили за свою работу, что в конечном итоге вынудило индустрию адаптироваться и принять потоковые технологии в начале 2000-х годов.

Рисунок 1. Музыканты полностью игнорируются в одноранговой торрент-модели.

Однако, даже несмотря на беспрецедентное сокращение пиратства и рост рынка стриминга, музыкальная индустрия все еще сталкивается с той же проблемой. Музыканты, особенно начинающие и малоизвестные, получают мизерную часть общего дохода от своей работы, потому что большая часть этого дохода потребляется посредниками, теми же организациями, которые утверждают, что представляют их интересы.Эта проблема в основном связана с централизацией, отсутствием прозрачности и неустойчивой бизнес-моделью.

Сегодня около 88,5% мировой музыкальной индустрии в значительной степени контролируется тремя международными звукозаписывающими компаниями; Universal Music Group, Sony Music Entertainment и Warner Music Group. Обладая огромной рыночной монополией, эти звукозаписывающие компании могут диктовать наиболее благоприятные для них рыночные правила. Централизация доходов и власти между музыкальными продюсерами и издателями также привела к вопиющим злоупотреблениям зарождающимися централизованными потоковыми платформами.

Более того, текущая модель распределения доходов в индустрии потоковой музыки несправедлива по отношению ко всем музыкантам и особенно пагубна для независимых и амбициозных музыкантов. В контрактах о распределении доходов между звукозаписывающими лейблами и стриминговыми компаниями большая часть доходов идет на оплату посредникам, и музыканты почти всегда не участвуют в этих обсуждениях. Это приводит к схеме распределения роялти, которая в значительной степени благоприятствует посредникам за счет музыкантов, что в конечном итоге приводит к недооценке работы и доходов музыканта (, рис. 2, ).

Рис. 2. Текущая устаревшая система приносит музыкантам небольшую часть общего дохода.

С централизацией власти в руках промышленных посредников, авторские права и лицензионные контракты для большинства музыкантов стали сложными, непрозрачными и драконовскими. Художники, часто не имеющие юридического образования и не имеющие средств или желания нанять юристов, не могут вести переговоры об условиях своего контракта. Это создает большую путаницу, недовольство и упущенную выгоду.Хотя в ближайшем будущем возможно предоставить четкие и краткие контракты, которые будут справедливыми и легкими для понимания, отраслевые посредники неохотно делают это, потому что статус-кво приносит им огромную пользу.

Стриминговые компании, такие как Pandora и Deezer, имеют уровни бесплатного стриминга, чтобы способствовать внедрению платформы. Бесплатная потоковая передача стимулирует рост пользовательской базы, а реклама приносит доход. Однако, несмотря на массовый рост, их бизнес-модель неустойчива. Одна из причин этого — рост затрат на приобретение контента.Они сильно различаются и в основном связаны с типом контента и лицензионными соглашениями с звукозаписывающими компаниями. Затраты на приобретение контента, понесенные стриминговыми компаниями, выросли больше, чем их доходы. А поскольку посредники в первую очередь определяют процентную долю доходов от потоковых компаний, любое разногласие может привести к затяжному правовому спору между обеими сторонами. В некоторых случаях проигранный судебный процесс может вынудить стриминговые компании увеличить источники монетизированного дохода, чтобы оставаться на плаву, например уровни платного стриминга, что, в свою очередь, приведет к сокращению пользовательской базы.

Musicoin — первая платформа в сфере криптовалюты, которая раскрывает мощь технологии блокчейн для лечения всех бед музыкальной индустрии. Наша основная цель — устранить всех посредников и сократить разрыв между музыкантом и слушателем. В процессе Musicoin устранит пагубные проблемы, которые преследуют сегодняшнюю музыкальную индустрию, как описано в этой статье, путем децентрализации распространения и потребления музыки, обеспечения справедливости и автоматизации музыкальных контрактов и создания основы для самостоятельной бизнес-модели.Musicoin, справедливо вознаграждая всех участников платформы, стремится стать ведущей глобальной экосистемой для товаров и услуг, построенных на основе музыки.

Musicoin использует мощь технологии блокчейн, чтобы сделать платежи и хранение данных одноранговыми (P2P) справедливыми, прозрачными и автоматическими способами. Автоматизированные P2P-платежи, обеспечиваемые смарт-контрактами на блокчейне Musicoin, обеспечивают справедливое и прозрачное распределение стоимости между всеми сторонами, от майнеров и разработчиков проектов до музыкантов и слушателей, без каких-либо сторонних посредников.

Более того, вместо использования централизованных серверов Musicoin хранит и распространяет свой контент через децентрализованную систему распространения файлов P2P, известную как межпланетная файловая система (IPFS). Смарт-контракты и файлы содержимого в блокчейне шифруются до и дешифруются после его передачи, чтобы предотвратить несанкционированный доступ и злонамеренные действия. Метаданные на нашей платформе и пользовательских кошельках могут храниться и кешироваться неограниченное время. Для более быстрой передачи и снижения затрат на доставку контента мы также включили синхронизацию от нескольких одноранговых узлов одновременно.

Наш смарт-контракт с оплатой за воспроизведение (PPP) разработан исключительно с учетом интересов музыкантов. Все музыканты на нашей платформе сохраняют полное право собственности на свой контент и получают справедливое и автоматическое вознаграждение посредством автономных смарт-контрактов. Это приносит новый уровень прозрачности и ясности в музыкальную индустрию, страдающую от сложных и непонятных лицензионных договоров. Благодаря нашему смарт-контракту PPP для обеспечения соблюдения и выполнения условий лицензирования музыканты могут получать мгновенные платежи на основе каждого воспроизведения.Для облегчения платежей не требуются никакие посредники, кроме бухгалтерской книги блокчейна Musicoin.

Рис. 3. Модель распределения лицензионных отчислений Musicoin с оплатой за воспроизведение (PPP).

Одним из преимуществ смарт-контракта ГЧП является то, что он может выполнять немедленное разделение доходов между несколькими бенефициарами. Например (, рис. 3 ), договор ГЧП о лицензии для группы из четырех человек может предусматривать разделение выплат в размере 45% основному музыканту, 20% авторам песен и продюсерам, 10% гитаристу и 25%. барабанщику.Использование этого контракта позволяет нам избежать ненужных затрат на приобретение контента, устраняя всех вовлеченных посредников и тем самым распределяя 100% доходов между музыкантами.

Удаление посредников позволило Musicoin передать музыкантам большую часть стоимости, полученной от музыки. Ниже приведена сравнительная таблица выплат за поток (в долларах США) среди существующих потоковых платформ, включая Musicoin (, рис. 4, ). Musicoin не делает различий между подписанными и неподписанными артистами и платит своим музыкантам по ставке, которая как минимум на ~ 286% выше, чем у его ближайшего конкурента Spotify.

Рисунок 4. Ставка за поток для существующих потоковых платформ в 2017 году.

Смарт-контракт PPP в Musicoin v1.0 (Привет) помог в огромном росте платформы за короткий промежуток времени в восемь месяцев и в создании процветающее и увлеченное сообщество музыкантов и слушателей. Однако по мере того, как платформа продолжает продвигаться вперед и налаживать стратегические партнерские отношения в музыкальной индустрии, соответствующее увеличение стоимости $ MUSIC (собственная валюта платформы Musicoin) по отношению к фиатной валюте создало две проблемы: высокие затраты на потоковую передачу музыки для пользователей. и непоследовательные выплаты музыкантам из-за нестабильности рынка.

Чтобы ценность $ MUSIC росла вместе с ростом платформы и обеспечивала нашим музыкантам стабильный доход, не зависящий от капризов рынка, мы удалим ограничение в нашем первоначальном умном контакте ГЧП. 1 $ MUSIC за воспроизведение в Musicoin v1.0 и включите дробное количество $ MUSIC за воспроизведение в Musicoin v2.0 (Heal the World). Это обеспечит устойчивый экономический рост стоимости $ MUSIC по мере развития проекта и в то же время обеспечит фиксированный, но справедливый доход артистам от каждой пьесы.

В Musicoin v2.0 мы представляем революционно новую концепцию криптовалюты «Универсальный базовый доход (UBI)». В этой экономической модели создается пул UBI для обеспечения доходов музыкантов от PPP на платформе по фиксированной ставке, которая является справедливой, не подверженной влиянию рыночных сил и выше, чем у любых других конкурирующих потоковых платформ. Это увеличит приток контента от музыкантов, а также сделает потоковую передачу музыки бесплатной для слушателей, тем самым обеспечив более глубокое проникновение Musicoin на рынок потокового вещания.В отличие от других потоковых платформ, пользователи платформы Musicoin смогут транслировать песни бесплатно и без рекламы. Бесплатная и неограниченная потоковая передача музыки без рекламы — это важная особенность, которая отличает Musicoin от централизованных потоковых платформ, позволяя нам радикально расширяться и захватывать большую долю рынка потокового вещания.

Небольшая часть пула UBI будет направлена на дальнейшее развитие платформы (, рис. 5, ), более подробная информация представлена в более длинной версии этого официального документа.

Рисунок 5. Распределение $ MUSIC до и после внедрения UBI.

Концепция шаризма — это революционная философия, вобравшая в себя мудрость исследований эпистемологии и аксиологии. Он подчеркивает важность обмена знаниями и ценностями внутри сообщества для создания положительного социального воздействия. Это приводит к совместной собственности, при которой ценность распределяется по сети за счет вклада всех участников. Другими словами, все ценны и необходимы Musicoin, майнерам, слушателям, разработчикам, сторонним провайдерам и, конечно же, музыкантам.

К 2018 году Musicoin будет включать принципы шаризма, чтобы укрепить свою существующую сеть с помощью новой модели консенсуса, известной как Proof-of-Sharing. Дополнительная информация будет доступна в будущих версиях этого официального документа.

Экосистема Musicoin соответствует основному принципу шаризма. Эта экосистема, также известная как Musicoin Economy или Musiconomy, построена как экономическая сеть, которая способствует распределению справедливой стоимости между различными участниками на основе их вклада в сеть.

Ценность Musiconomy начинается с создателей контента, музыкантов. Чем больше будет музыкантов и чем активнее они будут выпускать качественный контент в сети, тем больше слушателей будет привлечено к использованию платформы. Чем больше потребителей, тем больше будет потребление контента, что подпитывает полезность и ценность $ MUSIC. Это, в свою очередь, будет способствовать более активному участию музыкантов в сети. Этот цикл положительной обратной связи будет продолжать повышать ценность $ MUSIC, а также приносить пользу другим участникам (майнерам, разработчикам, сторонним сервисам) и стимулировать их дальнейшее участие в сети.Такая самоподдерживающаяся музыкальная экономика — это именно та экосистема, которой способствует наш руководящий принцип Шаризма.

Платформа Musicoin — пионер, открывающий путь к смене парадигмы в музыкальной экономике и технологиях, которые способствуют созданию, распространению и потреблению музыки. Это открытая экосистема, которая приветствует внешнее участие стартапов в музыкальной индустрии, которые заинтересованы в создании инновационных технологий и услуг для создания новых источников ценности как для музыкантов, так и для слушателей.Например, производители оборудования могут создавать интеллектуальные устройства, которые могут транслировать музыку с платформы Musicoin, когда вы дома, и добывать $ MUSIC, когда вас нет. Более того, огромное количество метаданных, которые генерируются в блокчейне Musicoin, позволит создавать системы искусственного интеллекта, которые могут помочь слушателям в умном открытии музыки на основе таких переменных, как их история поиска, личное настроение, время суток и так далее.

Команда Musicoin стремится выполнить каждый этап своей общественной дорожной карты и обеспечить последовательные и своевременные результаты.В дальнейшем мы продолжим поддерживать прозрачную связь с нашим сообществом и предоставлять им дополнительные каналы для получения актуальной информации о последних событиях в проекте, включая BitcoinTalk, GitHub и Reddit.

Более того, недавно выпущенная общедоступная дорожная карта объясняет наши цели в отношении будущих итераций блокчейна Musicoin. Мы стремимся постоянно делать наш блокчейн более стабильным, устойчивым, безопасным и масштабируемым (4S). Предыдущая версия нашей белой книги и дорожной карты представлены ниже.Наши вехи на следующие два года доступны для просмотра в более длинной версии этого официального документа.

[PDF] Появление сложных сетевых паттернов в музыкальных сетях

ПОКАЗЫВАЕТ 1–10 ИЗ 12 ССЫЛОК

СОРТИРОВАТЬ ПО Релевантности Статьи, на которые оказали наибольшее влияние Недавность

Эволюция сетей документов

F. Menczer
Proceings
Информатика, медицина

Национальной академии наук США. Предлагается более реалистичная модель, которая генерирует ссылки, используя как популярность, так и контент.Развернуть

Просмотреть 1 отрывок, справочная информация

Структура и функции сложных сетей

М. Ньюман
Физика, информатика
SIAM Rev.
2003

Рассмотрены разработки в этой области, включая такие такие концепции, как эффект малого мира, распределения степеней, кластеризация, сетевые корреляции, модели случайных графов, модели роста сети и предпочтительного присоединения, а также динамические процессы, происходящие в сетях.Развернуть

Просмотреть 6 выдержек, справочная информация

Появление масштабирования в случайных сетях

Модель, основанная на этих двух компонентах, воспроизводит наблюдаемые стационарные безмасштабные распределения, что указывает на то, что развитие больших сетей регулируется устойчивой самоорганизацией явления, которые выходят за рамки деталей отдельных систем. Развернуть

Коллективная динамика сетей «маленького мира»

Простые модели сетей, которые можно настроить с помощью этой золотой середины: исследуются обычные сети, «перестраиваемые», чтобы вносить все больший беспорядок, и обнаруживается, что эти системы могут быть сильно кластеризованы, как обычные решетки, но имеют небольшую характеристическую длину пути, как случайные графы.Expand

Навигация в маленьком мире

Феномен маленького мира был впервые исследован как вопрос в социологии и является особенностью ряда сетей, возникающих в природе и технологиях, и исследуется путем моделирования того, как люди могут находить короткие цепочки в больших социальных сетях. сеть. Развернуть

Просмотреть 3 выдержки, справочная информация

Pajek — Анализ и визуализация больших сетей

Pajek (паук на словенском языке) — это программный пакет для Windows (32 бит) для анализа и визуализации больших сетей (имеющий тысячи вершин).Он находится в свободном доступе для некоммерческого использования… Развернуть

Масштабная оценка акустических и субъективных показателей музыкального сходства

В этой статье оцениваются акустические методы, основанные на кепстральных коэффициентах Mel-частоты и промежуточном «якорном пространстве» классификации жанров. субъективные методы, использующие данные из The All Music Guide, опросов, списков воспроизведения и личных коллекций, а также интеллектуального анализа веб-текста. Развернуть

Просмотреть 3 выдержки, справочная информация

Поиски истины в сходстве музыкальных исполнителей

В этой статье описывается несколько попыток построить полную матрицу мер сходства между набором из примерно 400 популярных артистов путем упорядочения ограниченных данных субъективных суждений и обнаруживает, что субъективное сходство художников у разных пользователей сильно различается, что ставит под сомнение концепцию единой «основной истины».Развернуть

Просмотреть 3 выдержки, справочная информация

Коллективная динамика «маленького мира»

[PDF] Возникновение и эволюция сетевой структуры в рок-музыке ¨ Омер Юксель

Скачать Возникновение и эволюция сетевой структуры в рок-музыке ¨ Омер Юксель …

Возникновение и эволюция сетевой структуры в рок-музыке ¨ Омер Юксель1, * и Леон Данон2, † 1

Центр науки о сложности, Уорикский университет, Ковентри CV4 7AL, Великобритания 2 Математический институт Уорикского университета, Ковентри CV4 7AL, Великобритания (Дата: 25 июня 2012 г.)

Мы изучаем эволюцию сети музыкантов, используя данные, полученные с веб-сайта, содержащего информацию о группах, музыкантах и их записях.Данные используются для создания трех различных динамических сетей, отражающих различные типы сотрудничества: группы, музыканты и альбомы. Мы агрегируем сети с течением времени и изучаем изменения свойств сети по мере изменения параметров агрегации. Мы также отслеживаем эволюцию отдельных узлов в сети с течением времени. Изучение изменения связанных компонентов показывает приток независимых групп в конце 60-х годов и их последующее добавление к гигантскому компоненту. Анализ распределения степеней показывает необычно большое количество связей между полосами в период между 1960 и 1970 годами.Изучение показателей, связанных с расстоянием в сети художников, показывает появление центральных игроков с высокой степенью промежуточности в 70-х годах. Дальнейшее изучение значений промежуточности показывает, что центральные позиции, первоначально занимаемые поколением в 60-х годах, занимают узлы, принадлежащие более новым поколениям. Исследование изменения среднего расстояния между отдельными узлами показывает, что узлы в сетях каналов и исполнителей со временем приближаются к стабильному значению. Изменение k-core показывает, что группы имеют тенденцию формировать новые связи с течением времени, в то время как артисты, как правило, играют с одними и теми же людьми на протяжении всей своей карьеры.

ВВЕДЕНИЕ

Анализ социальных сетей важен для понимания взаимодействия внутри сообществ. Хотя в последнее время это популярная тема для исследований, исследования социальных сетей на самом деле восходят к 1930-м годам, за два десятилетия до появления термина «социальные сети» [1]. Исследование Джейкоба Морено [2], посвященное сети дружбы между школьниками, дало толчок исследованиям в этой области, которые в конечном итоге стали известны как «анализ социальных сетей». Важной вехой в этой области стали эксперименты Стэнли Милгрэма в «маленьком мире» [3].Эксперименты показали, что длина кратчайшего пути в реальных сетях довольно мала по сравнению с размером сети. Это явление в конечном итоге привело к построению сетевых моделей со свойствами «маленького мира», самой известной из которых является модель Уоттса-Строгаца [4]. Еще одним важным свойством социальных сетей является то, что людей, которые присоединяются к сети, привлекают люди с высокими связями. Это привело к появлению нескольких моделей генерации сетей, использующих механизм «предпочтительного присоединения», таких как модель Барабаси-Альберта [5].Широкое использование Интернета сыграло свою роль в недавней популярности анализа социальных сетей в литературе. Такие веб-сайты, как Twitter, Facebook и MySpace, создали новую среду, в которой исследователи могли изучать социальные сети. Кроме того, всемирная паутина открыла доступ исследователям к базам данных [1], что сократило время и финансовые ресурсы, необходимые для получения больших объемов данных. Музыка, будучи совместным процессом, также ведет к формированию социальных сетей.Но сфера музыкальных сетей остается относительно нетронутой: самые известные работы о сообществах джазовых музыкантов Глейзера и Данона [6] и рэперов Смита [7]. Работа над джазовыми музыкантами сосредоточена на сотрудничестве между группами и музыкантами и раскрывает структуру сообщества, в основном определяемую расой музыкантов и их географическим положением. Работа с рэперами также фокусируется на обнаружении сообществ с помощью взвешенных границ и находит, что географическое положение играет важную роль в формировании сообществ.Также существуют исследования взаимоотношений между музыкой и аудиторией, раскрывающие привычки слушателя и формирование жанров [8–10]. Обе предыдущие работы о сетях музыкантов касаются статических сетей. Однако социальные сети обладают динамическими свойствами. Со временем к системе могут присоединиться новые участники, и могут быть созданы новые связи. И наоборот, некоторые связи и акторы могут перестать существовать.В более сложных случаях свойства этих связей и акторов также могут измениться. Группа, например, может иметь новых участников, распадаться или воссоединяться через несколько лет. Сеть и ее члены со временем развиваются. Мы стремимся исследовать эти изменяющиеся во времени свойства в сети музыкантов. Отсутствие существенного объема работы над динамическим характером социальных сетей во многом связано с расходами на сбор данных в прошлом и сложностью такого анализа [11].Тем не менее, был также ряд работ по динамическим сетям: несколько ярких примеров — это работы по личным контактам [12], звонкам по мобильным телефонам [13], цитатам [14–16], электронной почте. обмен сообщениями и принадлежность в университете [17]. Ряд вышеупомянутых исследований посвящен эволюции сетевой структуры, что также является основной темой нашей работы. Работа Leskovec et al. [15] сосредоточен на изменении диаметра и плотности в различных типах сетей с течением времени. Их исследование посвящено цитированию, научной принадлежности и сетям интернет-маршрутизаторов.В результате работы выявлено уплотнение и уменьшение диаметров в этих сетях. Поскольку он касается изменений свойств сети с течением времени, мы нашли эту работу особенно интересной и провели сравнение с результатами, полученными в сети музыкантов. В работе Косинца и Уоттса [17] изучается эволюция социальной сети в университете с использованием данных электронной почты и классовой принадлежности. В работе исследуются изменения средних свойств сети, отдельных свойств и их распределения во времени.Средние свойства сети и распределения оказались относительно стабильными, в то время как ранжирование отдельных лиц значительно изменилось. Наша работа отличается от университетской сети / контактной сети с точки зрения шкалы времени (годовые данные против ежедневных данных) и характера контактов между людьми, но результаты, тем не менее, заслуживают внимания. Krings et al. [13] изучали влияние размера временного окна и его размещения на структуру сети с использованием данных мобильного телефона. Хотя сеть музыкантов существенно отличается от сети телефонных звонков, есть сходство в методах, используемых для анализа сети.Чтобы изучить как эволюцию сети, так и эффекты исключения прошлых узлов, необходимо было агрегировать сеть в различных временных окнах. В результате мы используем похожие инструменты и методы для анализа свойств сети с разными целями. Наша работа связана с сообществом музыкантов с данными, полученными из Интернета. Ожидается, что общие свойства такого типа сети будут иметь сходство с сетями цитирования и научного сотрудничества, поскольку музыка — это совместный процесс.Мы принимаем во внимание динамические свойства сети и изучаем изменения свойств сети с течением времени, а также изменения в отдельных узлах. Делая это, мы стремимся объяснить, как формируется сеть, как центральные игроки занимают свои позиции и как структура сети меняется с течением времени. Структура этого отчета следующая: сначала мы даем информацию о полученных данных и методологии, которая использовалась для анализа данных. После этого мы показываем, как определенные свойства сети меняются со временем, отмечая изменения в структуре и сравнивая их с другими исследованиями.Затем мы сосредотачиваемся на изменениях в отдельных узлах сети, используя меры централизации. Наконец, мы показываем результаты тематического исследования самых продаваемых групп и альбомов. II. A.

Обзор ДАННЫХ

Данные получены с «BandToBand.com» [18] 8 апреля 2012 г. в формате HTML. Сайт призван составить генеалогическое древо групп, связанных с рок-н-роллом. Несмотря на то, что в названии этого отчета и на веб-сайте делается упор на рок-музыку, он охватывает самые разные жанры, от поп-музыки до джаза.Данные состоят из структурированной информации о группах, их участниках, подмножестве («составах») участников группы, которые играли вместе, и альбомах, выпущенных этими участниками группы. У нас также есть год формирования составов и год выпуска каждого альбома. Всего мы скачали 19 058 страниц групп. Веб-сайт соответствует определенному формату, знание которого пригодилось при построении наших сетей: 1. Каждый музыкант принадлежит к группе. У сольных артистов есть одноименные группы.2. Альбом создается одним или несколькими составами группы. 3. Альбом выпускается только одной группой. Если две группы сотрудничают над одним произведением, на веб-сайте создается новая группа, содержащая сотрудничающих исполнителей.

3 4. Между каждым диапазоном на веб-сайте существует путь, а это означает, что вся сеть состоит только из гигантского связного компонента. 5. Временные характеристики данных указаны в годах. Это определяет уровень точности временного анализа. Мы можем отслеживать изменения по годам, но не можем отслеживать ежемесячные или дневные изменения в течение года.

Ограничения

Как и во многих работах в социальных сетях, мы имеем дело с неполными данными. Сеть диапазонов, представленная на веб-сайте, является лишь подмножеством реальной сети, и мы не знаем, в какой степени она отражает реальную сеть. Поскольку содержание веб-сайта поддерживается сообществом, данные по своей сути смещены в сторону известных диапазонов. Выбор полос также смещен таким образом, что образуется гигантский компонент связности. Это означает, что авторы должны отклонить все новые полосы, которые не связаны с существующими полосами в сети.Это могло быть объяснением неожиданного сокращения количества узлов и ребер, созданных за последнее десятилетие, что можно увидеть на Рисунке 1. Помимо предвзятого выбора полос авторами, наше первоначальное сканирование сети пропустило 10 веб-страниц. страниц. Мы также обнаружили исключения из правила «гигантских подключенных компонентов»: два диапазона были отключены, потому что диапазоны, которые должны были «соединить» их с основной сетью, отсутствовали. Одна из этих бридж-групп была среди групп, которые нам не удалось загрузить.Другой не был добавлен на сайт во время сканирования. Наконец, следует отметить, что единственная деятельность, учитываемая нашими данными, — это производство альбомов. Атрибут года для групп и артистов определяется как время, когда они начали работать над альбомами, а не фактическое начало их музыкальной карьеры.

III.

МЕТОДОЛОГИЯ

Доступ к данным

Библиотеки шаблонов [19] и lxml [20] для Python использовались для сканирования веб-сайта и анализа файлов HTML, соответственно.Извлеченная информация была сохранена в реляционной базе данных. Наша база данных состоит из таблиц, содержащих информацию о группах, артистах, альбомах, составах и ассоциативных таблицах («лайнупальбом», «состав-исполнитель», «альбом-исполнитель»). Последнее помогло нам определить грани при построении наших сетей.

Построение сети

Мы создали три разные сети, чтобы охватить разные уровни взаимодействия: группа, альбом и исполнитель. Изучение сети групп дает нам информацию о группах, у которых есть общие участники, тогда как изучение сети артистов позволяет нам изучать сотрудничество на более личном уровне.Связи в сети исполнителей отражаются в сети групп, так как совместное создание альбома требует игры в одной группе в соответствии с правилами веб-сайта. Сеть альбомов более абстрактна, поскольку альбомы — это не взаимодействующие агенты, такие как группы и артисты, а продукты сотрудничества. Определения для сетей следующие: Band: Группы связаны друг с другом музыкантами, которые играли в обеих группах. Таким образом, полосы представлены узлами, а обычные художники — краями.Художник: В нашей сети артисты устанавливают связи, совместно записывая альбом. Узлы представляют исполнителей, а края — общие альбомы. Альбом: Альбомы связаны между собой общими исполнителями, которые их выпустили. В результате альбомы представлены узлами, а обычные исполнители представлены ребрами в сети. Используя эти определения, мы построили три мультиграфа, которые допускают наличие нескольких ребер между узлами.

4 C.

Динамические свойства

Каждый узел и ребро имеют атрибут «год».После создания узлов и ребер они остаются в сети до конца. Год узлов определяется следующим образом: Узлы диапазона: год самого раннего набора, который содержит полоса. Узлы исполнителя: год самого раннего состава, в котором состоит артист. Узлы альбома: год выпуска альбома. Определение ребер немного сложнее: Ребра полосы (b1, b2): пусть b1 и b2 две полосы, участником которых был художник a. Пусть tb1 — год самого раннего состава группы b1, в которой был исполнитель a, и пусть tb2 будет таким же для группы b2.Атрибут «год» края определяется следующим образом: tb1, b2 = max (tb1, tb2) Другими словами, это год исполнителя, который играл в группе b1, присоединившись к группе b2. Ребра артистов (a1, a2): пусть a1 и a2 будут узлами, обозначающими двух артистов, которые работали вместе над альбомом l. Пусть tl обозначает год выпуска альбома. Атрибут года края (a1, a2) равен году выпуска альбома: tb1, b2 = tl. Края альбома (l1, l2): пусть l1 и l2 будут узлами, обозначающими два альбома, созданных художником a.Пусть tl1 и tl2 обозначают год производства l1 и l2 соответственно. Атрибут года края (l1, l2) определяется как: tl1, l2 = max (tl1, tl2) Другими словами, год края равен году выпуска более нового альбома из двух. Эти определения гарантируют, что мы не получим ребер, связанных с узлами, которые еще предстоит создать.

Сетевое агрегирование

Мульти-графы удобны для хранения данных в нашем случае, так как новые ребра могут добавляться между двумя узлами с течением времени.Но большинство алгоритмов графов предназначены для работы с одинарными графами. Поэтому при агрегировании нашей сети мы проецируем ее на взвешенный одноканальный граф. Вес ребра между двумя узлами равен количеству ребер между этими узлами в мультиграфе. Следовательно, веса ребер в наших графах представляют силу связи между двумя узлами. Мы определяем два значения, tstart и ∆t, для агрегирования. Они обозначают год начала агрегирования и размер временного окна в годах соответственно.Для удобства мы также определяем конечный год как тенд = tstart + ∆t. Из-за небольшого количества узлов до 1950 года (рис. 1) мы проводим агрегирование только во временных окнах tstart ≥ 1950 во время сетевого анализа. Мы также используем t0 как синоним tstart на некоторых графиках. При агрегировании мы берем только узлы v ∈ V vyear ∈ [tstart ,tend]. В качестве ребер возьмем пары e = (v1, v2), где (v1, v2 ∈ V) и eyear ∈ [tstart, take]. Следует отметить, что у нас есть дополнительное ограничение для ребер: мы проверяем год как для ребер, так и для узлов, которые они соединяют.Это ограничение необходимо, чтобы ребра не ссылались на узел за пределами заданного временного окна. Сохранение значения тенденции постоянным при уменьшении ∆t означает исключение узлов из прошлого | ∆t2 — ∆t1 | годы. Это позволяет нам увидеть, исключение каких узлов существенно влияет на свойства сети. Используя эту информацию, мы можем определить периоды времени, когда структура сети изменилась. В таблице I показано количество узлов и ребер для всей сети. Сеть альбомов имеет значительно более высокую плотность, чем две другие сети.Относительная компактность полосовой сети позволяет проводить более подробный анализ с помощью различных алгоритмов.

5 Число узлов Число ребер Полоса 19058 81341 Художник 48078 186574 Альбом 44470 546286 ТАБЛИЦА I: Базовая статистика для сетей. (a)

x 10

# узлов / ребер

8 6 4 2 0 1900

1920

1940

x 10

2000

x 10

ребра узлов

1.5 1 0,5 0 1920

2020

1940

1960

1980

2000

2020

(d)

узлов ребра

ребра

# узлов / ребер

1980

(c)

1960 t

(b)

узлов ребра

3 2 9

альбом исполнителя группы x = yt ⇒

1 0 1920

1940

1960

1980

2000

2020

10 0 0

10 # узлов

РИС.1: Количество узлов и ребер в полной сети при агрегировании с самого раннего tstart = 1910. (a) Сеть полос (b) Сеть исполнителя (c) Сеть альбома (d) Узлы по отношению к ребрам по мере их роста во времени .

Анализ сети

Мы использовали библиотеку NetworkX [21] для Python для анализа сети. Большая часть сетевого анализа проводилась со значениями tstart между 1950 и 2000 и ∆t между 0 и 50. Следует отметить, что комбинация сетей и временных окон означает большое количество графиков для каждого изменяющегося во времени атрибута.Поэтому для удобства читателя мы включили в основной отчет только самые актуальные из них. Приложение содержит все результаты для полноты и заинтересованности читателей.

IV. A.

СВОЙСТВА СЕТИ Подключенные компоненты

Ранее упоминалось, что существует путь между всеми полосами в сети. Это справедливо для всей сети, когда ее динамические свойства игнорируются. Однако, когда мы начинаем агрегировать с 1950 по 2012 год, оказывается, что сеть изначально состоит из более чем одного связного компонента.Гигантский связанный компонент (GCC) со временем растет, в конечном итоге охватывая всю сеть. На рисунке 3 показан пропорциональный размер наиболее крупных подключенных компонентов во временном окне. Все три сети следуют той же схеме, за исключением сети артистов около 1955 года, где она отличается от групп и альбомов и падает до минимума. Снижение пропорций и их возможное повышение до 100% описывают рождение независимых групп и артистов, которые в конечном итоге становятся частью мейнстрима.Можно сказать, что полосы — это компактные изображения художников, поэтому скачки и рост пропорций сильнее отражаются в сети артистов. Мы также можем видеть, что во всех трех сетях в значительной степени доминирует GCC. Второй по величине подключенный компонент по размеру сопоставим с GCC вначале, но его доля со временем быстро уменьшается.

6 узлов полосы Края полосы Узлы художника Края исполнителя Узлы альбома Края альбома

# узлов / кромок

10 1950

1960

1970

1980 т

1990

2000

2010

РИС.2: количество узлов и ребер, присоединяющихся к сетям за год.

(b)

0,35

0,9

0,3 Размер связанного компонента

Размер связанного компонента

(a)

0,8 0,7 0,6 0,5 0,4 Альбом Band Artist

0,3 0,2 1950

1960

1970

1980 тенд

1990

2000

2010

0,25 0,2 0,15 0,1 Альбом исполнителя группы

0,05 0 1950

1960

1970

1980 тенд

1990

2000

.3: Количество узлов в самых больших связанных компонентах, разделенное на общее количество узлов, агрегированное из tstart = 1950. (a) Гигантский связный компонент (b) Второй по величине связанный компонент.

Градус, вес и прочность

Градус узла определяется как количество ребер, которые соединяют его с другими узлами [1]. Распределение степеней — один из основных показателей характеристик сети. Он может выявить возможные иерархии и существование феномена «богатый становится богаче» [22].На рис. 4а показано, как разные типы взаимодействий приводят к разным степеням распределения. На рисунке 4b для сравнения показаны распределения степеней из разных положений временного окна. Полосы: с начала 1950 г. распределения почти перекрываются: они сходятся к тому же распределению при увеличении размера окна. Но удаление узлов между 1950 и 1960 годами приводит к изменению структуры сети: со значениями tstart от 1960 и далее распределения начинают расширяться по мере увеличения размера временного окна.Распределения монотонно убывают. Художники: распределения перекрываются для значений tstart ∈ [1950, 1970]. Распределения начинают становиться более широкими после tstart = 1980, подобно распределениям в сети полос. Пик распределения степеней находится между 4-7 в различных временных окнах, в отличие от распределения для исполнителей и сетей альбомов. Альбомы: когда tstart = 1950, распределения перекрываются до k = 100, а после этого значения различаются. По мере увеличения tstart распределения становятся более широкими с меньшим количеством перекрытий.Распределения монотонно убывают. Наши результаты также можно проверить в разделе A 1 приложения, где мы включили распределения для

(a)

(b)

(c)

РИС. 4: Распределения степени и силы в различных временных окнах, бункеры журнала. Легенда в (c) действительна для всех графиков на рисунке. (a) Распределения степеней с tstart = 1950. (b) Распределения степеней с tstart 1960, 1980 и 1960; для групп, исполнителей и альбомов соответственно.(c) Распределение силы с tstart = 1950.

Artist

Band

Album

0 1950

10 6 4 1960

19702 тенд

1990

2000

2010

2 1950

tstart = 1950

tstart = 1960

tstart = 1970

tstart 1960 = 9 1980 tstart 1960

1970

1980 склон

1990

2000

2010

0 1950

tstart = 2000 1960

1970

1980 склон

1990

2000

2010

.5: Средняя степень в сетях по сравнению с временным окном. Цвета обозначают разные значения tstart, начальную позицию окна агрегации.

все значения tstart. На рисунке 5 показаны изменения средней степени. В полосовой сети пик графика приходится на период 1950-1960 годов. В этот период времени существует необычно большое количество соединений между диапазонами, и оно выравнивается по мере роста сети. Удаление узлов в 1950-1960 годах приводит к падению средней степени во всех трех сетях, но эффект не такой сильный, как в полосовой сети.Интерпретация результатов дает нам представление об изменении структуры сети: пик средней степени в (tstart = 1950 ,tend = 1960) в полосовой сети отмечает период необычно высокого уровня сотрудничества. Между группами было больше связей, чем между отдельными артистами: значительное количество артистов в этот период играли с одними и теми же людьми под разными названиями. В таблице II показаны 10 диапазонов с наивысшей степенью за период. Интересно, что имя Майлза Дэвиса встречается в списке трижды.Все перечисленные группы являются джазовыми.

8 Rank Degree Band 1 63 Sonny Rollins Quartet 2 62 Horace Silver Quintet 3 61 Miles Davis Sextet 4 58 Lou Donaldson Quintet 5 53 Miles Davis And The Modern Jazz Giants 6 52 Thelonious Monk Septet 7 51 Jackie Mclean Quintet 8 50 Kenny Dorham Quintet 9 50 Kenny Drew Trio 10 50 Miles Davis Quartet ТАБЛИЦА II: Диапазоны с наивысшей степенью, когда tstart = 1950 и тенденция = 1960.

Сети степеней и диапазонов имеют монотонно убывающее распределение степеней.Большинство групп в сети выпустили небольшое количество альбомов и делят небольшое количество артистов с другими группами. Из-за совместной природы музыки артисты имеют тенденцию поддерживать больше связей. В результате распределение степеней имеет пик между 4-7, а не монотонный спад, как в сетях групп и альбомов. Сольных исполнителей меньше, чем тех, кто играет в группах. Сила узла определяется как сумма весов связанных с ним ребер [23]: X s (i) = w (i, j) (j ∈ Vi) j

, где w (i, j) — вес ребра между узлами i и j, а Vi — набор соседей узла i.В нашем случае это также то, какова была бы степень узлов, если бы мы сохранили исходную модель с несколькими графами из-за определения весов в Разделе III-D. Для полноты картины мы включили сравнение степеней и распределений прочности на рис. 4c. Цифры означают, что значения степени и силы имеют одно и то же основное распределение. Распределения сохраняют сходство с другими значениями tstart (см. Приложение A 1). Поскольку минимальный вес ребра равен 1, сила узла всегда равна или больше его степени.В результате у распределений прочности более длинный хвост, чем у распределений степеней. C.

Расстояние

Чтобы изучить структуру сети более подробно, мы исследуем меры расстояния в дополнение к степени и силе. В графах расстояние между двумя узлами определяется как количество ребер кратчайшего пути, соединяющего их вместе. Анализ показателей, связанных с расстоянием, дает ценную информацию о сети, такую как ее свойства «маленького мира» и ее расположение.Диаметр сети — это наибольшее расстояние между любыми двумя узлами в ней. Мы использовали диаметр и среднюю длину кратчайшего пути в качестве меры на основе расстояния. Поскольку в большинстве временных окон сеть не полностью подключена, мы рассматривали только GCC. На рисунках 6 и 7 показано изменение диаметра и среднего расстояния при различных размерах и положениях временных окон. Между диаметром и средним расстоянием существует сильная корреляция (см. Рисунок 8).

Artist

Альбом 40

max

dmax

tstart = 1950 tstart = 1960 t

start

= 1970

tstart = 1980 tstart = 1990

tstart = 2000 0 1950

1960

1970

1980 конец

1990

2000

2010

0 1950

1960

1970

1980 т

конец

1990

2000

2010

0 1950

1960

1970

1960

1970

1980

1990

конец

РИС.6: изменение диаметра с различными размерами и положениями временного окна.

2000

2010

Артист

Группа

Альбом

15 т

= 1950

= 1960

начало

= 1960

начало

tstart = 1970

start

tstart = 1980 5

tstart = 1990 т

start

0 1950

1960

1970

19802 t 9000

0 1950

2010

1960

1970

конец

1980 тенд

1990

2000

0 1950

2010

1960

000 1970

1980 2000

000 1970

1980 20002

1980

2010

РИС.7: Средняя длина кратчайшего пути в сетях с различными размерами и положениями временного окна. 16

данных 14 наименьших квадратов

ср. расстояние

12 10 8 6 4 2 0 0

диаметр

РИС. 8: Значения диаметра по сравнению со средним расстоянием для всех сетей и временных окон.

Когда мы рассматриваем только диаметр с tstart = 1950, мы видим, что он достигает своего пика в 1990 году во всех трех сетях, а затем имеет небольшое уменьшение в следующие 20 лет.Исследование Leskovec et al. находит уменьшающиеся диаметры с течением времени в различных сетях [15]. В случае музыкальных сетей падение не настолько велико, чтобы утверждать, что диаметр уменьшается. Однако пик в 1990 году и падение после этого времени значительны, поскольку они показывают, что в сети сформировано достаточное количество сокращений, чтобы противодействовать влиянию роста сети на диаметр. Когда мы рассматриваем разные значения tstart, мы видим, что диаметр и среднее расстояние значительно меньше, когда ∆t = 0 и (tstart = ten).Когда временное окно минимально, агрегированная сеть довольно мала (см. Рисунок 2), а размер GCC еще меньше из-за отсутствия ребер. На рисунке 6 графики с разными значениями tstart имеют тенденцию иметь более близкие значения друг к другу и перекрываются в некоторых точках, в то время как графики среднего расстояния показывают меньшую склонность к перекрытию. Удаление узлов, лежащих перед tstart, очевидно, влияет на расстояния, но расстояние между периферийными узлами сети от этого меньше.Проверяя значения разных графиков в одном и том же значении тендера, мы можем увидеть, как удаление прошлых узлов влияет на структуру сети. Обращает на себя внимание «скачок» диаметра и среднего расстояния в tstart = 1980 иtend = 1990. Хотя наиболее значительный рост наблюдается в сети исполнителей, он также заметен в сетях групп и альбомов. Это подразумевает появление центральных личностей в период 1970-1980 годов, служащих «центрами» для людей, которые прибудут на сцену в следующем десятилетии.Удаление этих ярлыков снижает эффект маленького мира в сети. Мы проверим эту гипотезу в следующем разделе, исследуя значения центральности узлов.

Центральность

Анализ значений центральности помогает нам определить положение узла в сети и выявить влиятельные узлы и концентраторы, действующие как ярлыки. Существуют различные методы определения того, насколько центральным является узел, основанные на разных интерпретациях того, что означает центральность.В этой работе мы рассмотрели следующие меры центральности: Близость: центральность по близости узла — это мультипликативная величина, обратная его среднему расстоянию. Хотя это обычно используемый и интуитивно понятный способ измерения положения узла в сети, он имеет определенные недостатки: значения имеют тенденцию быть «ограниченными» из-за относительно небольшого размера кратчайших путей в сети. В результате центральные узлы и менее важные узлы разделены недостаточно хорошо,

= 2000

10, и ранжирование чувствительно к небольшим изменениям в структуре.Промежуточность: Промежуточность узла — это количество кратчайших путей, проходящих через него. В отличие от центральности близости, ценности хорошо разделены. Мы нормализовали промежуточность, разделив ее на количество всех кратчайших путей в сети, чтобы сделать значения сопоставимыми для разных размеров временных окон. k-ядро: k-ядро сети — это ее самая большая подсеть, которая содержит только узлы со степенью k или более [24]. Определив k-ядер, мы можем назначить номер ядра узлу как максимальное k для k-ядра, которое его содержит.Наличие большого числа ядер требует не только высокой степени, но и соседей с высокой степенью. Мы рассматриваем только гигантскую компоненту связности для мер, содержащих кратчайшие пути. На рис. 9 показаны нормализованные распределения промежуточности, скошенные вправо, как это было видно в предыдущих исследованиях [1], и с уменьшающимся наклоном по мере увеличения размера временного окна. Нормализация приводит к квадратичному уменьшению индивидуальных значений промежуточности по мере увеличения количества узлов. Альбом, t0 = 1950

−2

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50 ∆t = 60

p (b )

p (b)

Artist, t 0 = 1950

p (b)

Band, t0 = 1950

−2

10 b

РИС.9: Распределение промежуточности для сетей групп, исполнителей и альбомов

В предыдущих разделах мы показали появление центральных личностей в определенные периоды с высокими значениями промежуточности, и что удаление этих узлов приводит к изменению сетевой структуры. Это говорит о том, что сеть имеет многоуровневую структуру, в которой одно поколение растет вокруг определенных центральных узлов в предыдущем поколении. Чтобы проверить это, мы исследуем распределение значений промежуточности узлов по годам их соединения.На рис. 10 а и б показано распределение значений промежуточности в сетях, агрегированных между 1950-2010 годами, для групп и артистов. В обеих сетях максимальное значение промежуточности достигает пика в определенный год (1987 и 1974, соответственно) и начинает уменьшаться. (а)

(б) 3

1,5

0,015 1

0,01

0,5

0,005 0

1960

1980 склон

2000

между

0.02

2,5

0,025

0,02

1,5

0,015

2,5 0,04

0,03

1,5

0,02

0,03

2,5

0,03 0,025

0,035

период

0,035

3,5

(c)

0,06

0,5 1960

0,06

0,5 1960

01 0 1950

0,5 1960

1970 склон

1980

РИС. 10: Плотность промежуточных значений в сети, агрегированная между 1950 годом и различными значениями тенденции. Ось y обозначает оценку промежуточности, ось x обозначает год, когда узел присоединился к сети, а цвет обозначает количество узлов, которые попадают в конкретную корзину, масштабированную до 10 журнала. (A) Band networktend = 2010, ( b) Сеть художников, тенденция = 2010, (c) Сеть художников, тенденция = 1990

Положение пиков заслуживает внимания: хотя есть люди с высокой промежуточностью с ранних лет существования сети, большинство центральных узлов находятся в конце 80-х годов. (группы) и 70-х (артисты).Это означает, что центральные позиции заняли узлы новых поколений, начиная с 70-х и 80-х годов. На рис. 11 показаны ранги художников с наивысшими значениями промежуточности

1990

11 intend = 1960 иtend = 2010, причем tstart = 1950 в обоих случаях. На рисунке показан процесс выпадения более старых центральных игроков из рейтинга, новых центральных узлов, входящих в гигантский компонент и, в конечном итоге, занимающих верхние позиции. В полосовой сети все центральные игроки присоединились к гигантскому компоненту в tstart = 1990.Однако сеть артистов имеет центральные узлы, которые датируются tstart = 1970. На рисунке 10c показано такое же распределение для полос между 1950-1990 годами, чтобы объяснить скачок диаметра, упомянутый в разделе IV C. Результаты подтверждают появление центральных индивидуумов с высокими значениями промежуточности между 1970 и 1980 годами, которые необходимы для сетевой структуры в тенденции = 1990. Это также объясняет скачок в диаметре, поскольку удаление индивидуумов с высокой промежуточностью аналогично удалению кратчайших путей из сеть.(а)

(б)

−1

−2

разряд − 1

разряд − 1 10 −2

−3

−4

10 1950

«секретная полиция» «пушечное ядро-аддерлей-квинтет» «the-jj-johnson-quintet» «stan-getz» -Квартет «телониус-монах-квинтет» «чарли-паркер-и-его-оркестр» «ринго-старр-и-его-все-старр-группа» «поросенок» «татер-тотц» «пистолеты-н-розы «

1960

1970

−3

−4

Роберт-Фрипп Нил-Мюррей Нельс-Клин Пол-Чемберс Перси-Хит Терстон-Мур Кен-Вандермарк Бобби-Тиммонс Виктор teddy − kotick

−5

1980 т

1990

2000

2010

10 1950

конец

1960

1970

1980 т

1990

2000

2010

конец

РИС.11: Рейтинг центральности промежуточности для 5 лучших узлов в 1960 и 2010 годах, с агрегированной сетью из tstart = 1950 и изменяющимися значениями тендера. Верхние 5 позиций находятся над пунктирной линией. (a) Полосная сеть (b) Artist network

Сравнивая изменение k-ядер с изменением среднего расстояния, мы можем лучше понять, как положение узла в сети меняется с течением времени. Для этого мы рассматриваем значения этих двух атрибутов из tstart = 1950 с ∆t = 0, 10…, 60. Мы отмечаем изменение значения каждый раз, когда мы увеличиваем размер временного окна, и записываем эти изменения как векторы (kcore, | d |) от предыдущей точки к следующей. После этого мы делим область на прямоугольную решетку и перемещаем начальную позицию каждого вектора в ближайшую точку решетки. Усредняя по всем векторам, направленным из точки решетки, мы создали среднее векторное поле. Результаты показаны на рисунке 12. Узлы, которые появляются раньше в сети, начинаются с более низкого среднего расстояния, и значение расстояния имеет тенденцию расти с годами.Значения k-ядер либо увеличиваются, либо остаются неизменными, поскольку мы никогда не удаляем из сети какие-либо узлы или ребра. Заметное различие между сетями групп и исполнителей заключается в том, что значения k-core в сети артистов имеют меньшую склонность к изменениям, тогда как k-core групп имеют тенденцию к увеличению. Это можно объяснить тем, как группы и артисты формируют свои связи: связи, сформированные группой, представляют собой коллективные действия всех ее участников и бывших участников, в то время как связи, сформированные артистами, отражают индивидуальные усилия.Потому что артисты обычно играют с одними и теми же людьми на протяжении всей своей карьеры и заводят очень мало новых связей. Изучение мер центральности позволяет изучить изменения в микромасштабе. Это дало нам возможность объяснить и проверить полученные нами результаты о структуре сети.

ПРИМЕР

Мы собрали список самых продаваемых групп и исполнителей с веб-сайта RIAA [25]. Мы выбрали десять лучших художников, которые существуют в нашей сети, и отслеживали их атрибуты с течением времени по мере увеличения размера окна агрегации.Результаты представлены в Таблице III. Сольные исполнители, как правило, находятся на периферии сети, независимо от их успеха. Майкл Джексон и Элвис Пресли, например, до прошлого века даже не входили в состав гигантского связного компонента. Билли Джоэл и Элтон Джон, будучи с самого начала частью гигантского компонента, сохраняют значение промежуточности от 0 до степени 2. Мы можем с уверенностью заключить, что сотрудничество с другими артистами над альбомами — это не

(a )

(б)

1950

70 2010

2010

60 2000

2000

30 50

k − core

1990

1980

k-core

1990

40 1980 30

15 1970

1970 20

10 1960 5

1950

1960

ср.расстояние

1950

ср. расстояние

РИС. 12: Изменение числа k ядер узла по сравнению с изменением среднего расстояния. Цвет обозначает средний год создания узлов в данной области. (а) Сеть групп, (б) Сеть артистов

— необходимое условие для того, чтобы сольный исполнитель стал звездой. Однако следует отметить, что существуют и другие средства сотрудничества, которые не охватываются нашей сетью, такие как телевидение или концерты.Отсутствие сотрудничества над альбомами не следует путать с отсутствием сотрудничества в других отношениях. С другой стороны, полосы могут занимать относительно более центральные позиции. Промежуточные ценности Led Zeppelin за последние два десятилетия — хороший тому пример. Ранг промежуточности полосы подскакивает с 4339 до 1065 после последовательного снижения до 2000 года. И наоборот, полосы могут также начинать с центральных позиций и постепенно терять свои позиции. Промежуточный статус Aerosmith начинается с 683-го и в конечном итоге падает до 3637-го.(б)

(а)

тенд

тенд 1960

1970

1 (278,5) 3 (222)

17 (139,5)

20 (255,5)

22 (380,5)

25 ( 631)

27 (945)

38 (84)

50 (139,5)

53 (201,5)

76 (191)

80 (278)

цент. междугородность

—

0,1743 (804)

0,1771 (861)

0,002 (756)

0,0014 (1130)

0.0006 (2358)

2 (232,5) 2 (250,5) —

0,197 (513,5) 0,0011 (865) 2 (2473)

0,1862 (413)

градус

0,1729 (445) 0,0027 (291) 2 ( 895)

2 (4877)

2 (9834)

2 (15707)

2 (1023,5)

2 (2721)

2 (5390)

2 (10638)

2 (16524)

—

градусов силы

1. The Beatles

силы

2.Элвис Пресли

3. Led Zeppelin

4. Иглз

5. Билли Джоэл

близость цент. Междунаправленность

—

1980

1990

2000

6. Pink Floyd

7. Элтон Джон

—

72) 0,085 (186

градуса

—

4 (572)

4 (1645,5)

8 (1590,5)

9 (2849,5)

11 (4038.5)

сила

—

5 (662,5)

5 (1812,5)

11 (1809)

12 (3422)

14 (5027)

цент. Междунар. (440,5)

0,165 (1885)

градус

0,1729 (444) 0,0109 (107) —

21 (840.5)

23 (1256,5)

прочность

—

34 (244,5)

41 (316)

44 (539,5)

59 (532,5)

цент. промежуточность

—

0,1747 (1020) 0,0068 (175)

0,1634 (2174,5) 0,0032 (381)

0,1678 (2314)

—

0,1759 (1262) 0,005 (262)

—

2 (2473)

2 (4877)

2 (9834)

2 (15707)

Прочность

—

2 (2721)

90) 2 (

2 (10638)

2 (16524)

близость цент.промежуточность

—

0,099 (2750,5) 0 (2280)

0,0934 (5466,5) 0 (4629)

0,0937 (11151,5) 0 (9504,5)

(17000949 0,09) (15617)

—

1960

2010

8. AC / DC

9. Майкл Джексон

0,0028 (388)

10. Aerosmith

1970

1980

1990

градусов —

6 (391)

6 (1145.5)

9 (1386,5)

прочность

—

6 (576)

6 (1633,5)

23 (781,5)

близость цент.

—

промежуточность

—

градус

—

1 (1174,5)

сила

—

междугородность

—

0,1161 (843.5) 0 (735,5)

градус

—

прочность

—

плотность цент.

2000

2010 11 (4038,5)

2 (2473)

0,1651 (1755,5) 0,0024 (606) 2 (4877)

11 (2193,5) 25 (1333,5) 0,1621 (2366) 0,0013 (1168) 2 ( 9834)

2 (2721)

2 (5390)

2 (10638)

2 (16524)

0,1663 (1569) 0 (2280)

0,1534 (2623) 0 (4629)

0,145 ( 5220) 0 (9504.5)

0,1408 (9705) 0 (15617)

—

9 (773,5)

19 (497,5)

21 (840,5)

24 (1170)

—

15 (

)

15 (

)

31 (482,5)

38 (690,5)

43 (954,5)

—

междуленностью

—

0,1859 (427) 0,005 (266)

—

0,1619 (1716) 0,0055 (243) 2 (2473)

2 (4877)

0.1726 (954) 0,0024 (575) 2 (9834)

0,1719 (1569,5) 0,0018 (708) 2 (15707)

Прочность

—

2 (2721)

3 (4655)

3 (9371,5)

3 (14804,5)

близость цент.

—

междунесс

—

0.102 (17783.5000)

000 9000

—

3 (2001.5)

6 (2151)

7 (3847,5)

8 (5989)

прочность

—

4 (2046)

15 (1316,5)

16 (2428)

(3982,5)

близость цент.

—

Междунар. )

25 (2351.5) 0,1584 (4605) 0,0008 (1832) 2 (15707)

ТАБЛИЦА III: Положение самых продаваемых групп и сольных исполнителей (6-10) в сети с течением времени, агрегированное с tstart = 1950. Цифры в скобках обозначают рейтинг среди других узлов сети. В случае нескольких узлов с одинаковым значением дается средний ранг для значения. Если узел имеет существующую степень и силу, но значения промежуточности и близости помечены как ’-’, в то время он не является частью гигантского компонента.

13 VI.

ОБСУЖДЕНИЕ A.

Результаты

Мы продемонстрировали формирование гигантского связного компонента с течением времени. Мы продемонстрировали изменение структуры сети, агрегируя сеть в различных временных окнах и изучая меры степени, силы и расстояния. Мы изучили изменения центральности узлов в микромасштабе и выявили перемещения узлов в сети на протяжении многих лет. Мы также исследовали распределение центральных особей по поколениям и выявили, как центральные позиции в сети занимают во времени.Тематическое исследование успешных групп и артистов показало, что успех в реальной жизни не коррелирует с положением в сети. Наши методы показывают важность временного анализа социальных сетей. Статическая сеть представлена как один гигантский связанный компонент. Однако изучение его размера с течением времени показывает, что его формирование происходило постепенно. Изучая это образование, мы также обнаружили периоды времени, когда к сети присоединяются многие независимые группы без предварительных подключений, например, в конце 60-х годов.Исследование степени и силы важно для понимания периодов высокого уровня сотрудничества. Мы обнаружили, что период между 1950-1960 годами был одним из таких случаев для полос, как видно из пика в средней степени. Высокий уровень взаимосвязанности не так сильно отражается на сети артистов, что позволяет предположить, что одни и те же люди играли под названиями разных групп (что, похоже, имело место со многими джазовыми музыкантами, которые принадлежали к нашей сети в тот период). Изменяя размер временного окна и удаляя узлы, оставшиеся за временным окном, мы показали их важность в формировании сетевой структуры.После изучения степеней мы проанализировали изменения в показателях расстояния, которые помогли нам изучить эффекты малого мира в сети и получить дополнительную информацию о структуре сети. Мы обнаружили, что удаление узлов, которые впервые появляются между 1970-1980 гг. В сети художников, приводит к значительному увеличению диаметра. Мы предложили увеличение с удалением центральных игроков в сети артистов, которые имеют высокое значение промежуточности. Анализ мер центральности подтвердил нашу гипотезу об удалении центральных игроков.Более того, мы обнаружили, что центральные позиции в сетях заняли группы и артисты из новых поколений в 1970-х и 1980-х годах. Мы также исследовали изменения значений k-ядра и среднего расстояния. Вновь добавленные периферийные узлы начинаются с высокого среднего значения расстояния, которое со временем уменьшается. Напротив, старые узлы начинаются с небольшого среднего расстояния (поскольку сеть мала в первые дни), которое со временем увеличивается по мере добавления в сеть новых узлов. Средние значения расстояния приближаются к стабильному значению с обеих сторон.Мы также обнаружили, что k-core ценность артистов вряд ли изменится, а это означает, что артисты, как правило, играют с одними и теми же людьми на протяжении всей своей карьеры. Напротив, группам легче со временем налаживать новые связи, поскольку связи, устанавливаемые группами, отражают коллективные действия отдельных артистов. Мы также показали важность использования разных положений временных окон в агрегированных сетях. Изменение значения tstart при сохранении постоянной тенденции позволило нам выявить критические периоды, когда меняется структура сети.Изучая все изменяющиеся во времени свойства сети, мы выявили важные детали о формировании и структуре социальной сети, которые невозможно получить с помощью статического анализа сети. Наконец, что наиболее важно, мы продемонстрировали, что сообщество музыкантов — это развивающаяся, постоянно меняющаяся сущность.

Дальнейшая работа

Анализируемые нами сети содержат ценную информацию об отношениях между музыкантами и группами. Мы обнаружили интересную информацию; тем не менее, есть возможности для будущей работы с данными.В сочетании с внешними данными, например, можно исследовать возможные корреляции между структурой сообщества и такими атрибутами, как географическое положение, национальность, раса, поколение и жанр. Кроме того, могут быть построены различные типы сетей, например двусторонняя сеть групп и художников. Методы этой работы могут также использоваться в других сетях, таких как цитирование, научное сотрудничество и веб-сообщества. Ребра в созданной нами сети постоянны, два узла никогда не разъединяются после того, как ребро сформировано.Присвоение «срока службы» краям или уменьшение веса края со временем из-за отсутствия активности может дать интересные результаты. Кроме того, наш выбор tstart и ∆t был ограничен

14 временем и вычислительными возможностями. Использование более частых интервалов tstart и ∆t может позволить более детально изучить эволюцию сети. Изучение результатов с исторической и социологической точки зрения также приведет к новым возможностям. Такие открытия, как приток независимых групп в 60-е годы, периоды высокой степени связности в сети диапазонов, появление центральных индивидуумов, можно было бы лучше проверить и объяснить с детальным знанием генеологии рок-н-ролла.

VII.

БЛАГОДАРНОСТИ

Этот проект финансируется при поддержке Европейской комиссии. Эта публикация отражает точку зрения только автора, и Комиссия не может нести ответственность за любое использование содержащейся в ней информации. Автор благодарит сотрудников и студентов Warwick Complexity Center за конструктивные отзывы, полученные в ходе работы над этим проектом.

[1] М. Ньюман. Сети: введение.Oxford University Press, Inc., 2010. [2] Дж. Л. Морено. Кто выживет? Журнал исследований интеграции социальных наук, 5 (4), 1952 г. [3] С. Милгрэм. Проблема маленького мира. Психология сегодня, 2 (1): 60–67, 1967. [4] D.J. Уоттс и С. Строгац. Коллективная динамика сетей малого мира. Nature, 393 (6684): 440–442, 1998. [5] А.Л. Барабаси и Р. Альберт. Появление масштабирования в случайных сетях. Science, 286 (5439): 509–512, 1999. [6] П. Глейзер и Л. Данон. Структура сообщества в джазе.Препринт Arxiv cond-mat / 0307434, 2003. [7] R.D. Smith. Сеть сотрудничества между рэперами и структура ее сообщества. Журнал статистической механики: теория и эксперимент, 2006: P02006, 2006. [8] К. Ли и П. Каннингем. Географический поток музыки. Препринт Arxiv arXiv: 1204.2677, 2012. [9] Р. Ламбьотт и М. Ослоос. Выявление коллективных привычек слушания и музыкальных жанров в двусторонних сетях. Physical Review E, 72 (6): 066107, 2005. [10] R. Lambiotte и M. Ausloos. О жанровости музыки: перколяционный подход.The European Physical Journal B-Condensed Matter and Complex Systems, 50 (1): 183–188, 2006. [11] F.N. Стокман. Эволюция социальных сетей, том 1. Routledge, 1997. [12] Л. Изелла, Дж. Стеле, А. Баррат, К. Каттуто, Дж. Ф. Пинтон и В. Ван ден Брок. Что в толпе? анализ очных поведенческих сетей. Журнал теоретической биологии, 271 (1): 166–180, 2011. [13] Г. Крингс, М. Карсай, С. Бернхарссон, В.Д. Блондель и Я. Сарамоакки. Влияние размера и размещения временного окна на структуру агрегированных сетей.Препринт Arxiv arXiv: 1202.1145, 2012. [14] С. Реднер. Статистика цитирования из более чем столетних физических обзоров. Arxiv препринт по физике / 0407137, 2004. [15] J. Leskovec, J. Kleinberg, C. Faloutsos. Графики с течением времени: законы уплотнения, уменьшающиеся диаметры и возможные объяснения. В материалах одиннадцатой международной конференции ACM SIGKDD по открытию знаний в интеллектуальном анализе данных, страницы 177–187. ACM, 2005. [16] J.S. Кац. Библиометрические показатели, не зависящие от шкалы. Измерение: междисциплинарные исследования и перспективы, 3 (1): 24–28, 2005.[17] Г. Косинец, Д.Дж. Вт. Эмпирический анализ развивающейся социальной сети. Science, 311 (5757): 88–90, 2006. [18] Bandtoband.com: Картирование генома рок-н-ролла. http://www.bandtoband.com/, апрель 2012 г. [19] Т. Де Смедт и В. Даелеманс. Версия паттерна 2.3. http://www.clips.ua.ac.be/, апрель 2012 г. [20] lxml — xml и html с питоном. http://www.lxml.de/, апрель 2012 г. [21] Арик А. Хагберг, Даниэль А. Шульт и Питер Дж. Сварт. Изучение сетевой структуры, динамики и функций с помощью NetworkX.В материалах 7-й конференции «Питон в науке» (SciPy2008), страницы 11–15, Пасадена, Калифорния, США, август 2008 г. [22] А.Л. Барабаси. Связано: новая наука о сетях. 2002. Кембридж, Массачусетс: Perseus, 2002. [23] А. Баррат, М. Бартелеми, Р. Пастор-Саторрас и А. Веспиньяни. Архитектура сложных весовых сетей. Proceedings of the National Academy of Sciences of the United States of America, 101 (11): 3747, 2004. [24] S.B. Зайдман. Сетевая структура и минимальная степень. Социальные сети, 5 (3): 269–287, 1983.[25] Самые продаваемые художники. http://www.riaa.com/goldandplatinum.php?content_selector= самые продаваемые художники, май 2012 г.

15 ПРИЛОЖЕНИЕ A: СЕТЕВЫЕ ДАННЫЕ 1.

начало

= 1950

начало

P (k)

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50 ∆t = 60

−5

10 старт

k = 1970

10 t

старт

P (k)

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 −5

k = 1980 ∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30

P (k)

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50

= 1960

P (k)

Градус, распределение прочности и веса

−5

10 0

k tстарт = 1990

10 k tstart = 2000

∆t = 0 ∆t = 10

P (k)

∆t = 0 ∆t = 10 ∆t = 20

−5

РИС.13: Распределение степеней для диапазонов, бункер журнала.

10 k

старт

= 1950

старт

P (k)

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50 ∆t = 60

−5

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50

−5

= 1960

P (k)

k tstart = 1970

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30

P (k)

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40

−5

10 0

10 старт

k = 1990

старт

P (k)

9 0000 ∆t = t = 10 ∆t = 20

10 k = 2000 ∆t = 0 ∆t = 10

P (k)

— 5

−5

10 0

10 k

РИС.14: Распределение степеней для художников, ведро журнала.

10 k

P (k)

старт

= 1950

старт

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50 ∆t = 60

−5

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50

−5

= 1960

P (k)

k tstart = 1970

1980

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30

P (k)

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40

−5

10 0

10 start

k = 1990

10 t

start

P (k)

∆t = 0 ∆t = 10 ∆t = 20

−5

k = 2000 ∆t = 0 ∆t = 10

P (k)

1 0

−5

10 0

10 k

РИС.15: Степень распределения для альбомов, журнал занесен в корзину.

старт

= 1950

старт

P (k)

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50 ∆t = 60

−5

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50

−5

k tstart = 1980

−5

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30

P (k)

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40

k tstart = 1970

−5

= 1960

P (k)

k tstart = 1990

k tstart = 2000 ∆t = 0 10

P (k)

∆t = 0 ∆t = 10 ∆t = 20 −5

−5

1 0 0

10 k

РИС.16: Распределение прочности лент, бункер.

P (k)

старт

= 1950

старт

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50 ∆t = 60

−5

P (k)

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50

— 5

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30

P (k)

P (k) −5

−5

10 start

k = 1990

10 t

start

P (k)

∆t = = 10 ∆t = 20

k = 2000 ∆t = 0 ∆t = 10

P (k)

k tstart = 1980 ∆t = 0 ∆t = 10 ∆t = 20 ∆ t = 30 ∆t = 40

k tstart = 1970

= 1960

−5

10 0

10 k

РИС.17: Распределение силы для художников, журнал.

P (k)

старт

= 1950

старт

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50 ∆t = 60

−5

P (k)

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50

— 5

k tstart = 1970

k tstart = 1980

−5

100002 ∆t = 10 ∆t = 20 ∆t = 30

P (k)

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40

−5

10 0

10 старт

k = 1990

старт

10 k

10 т

∆t = 0 ∆t = 10 ∆t = 20

k = 2000 ∆t = 0 ∆t = 10

P (k)

9 0002 P (k)

= 1960

10 k

РИС.18: Распределение прочности для альбомов, журнал занесен в корзину.

21 tstart = 1950

tstart = 1950

Band

Artist

tstart = 1960

tstart = 1970

tstart 1980 = 1970 180002

tstart = 1990

tstart = 2000

tstart = 1980 12

tstart = 1990 tstart = 2000

[s]

12 10

8 6

6 4

2 0 1950

1960

1970

1980

1990

2000

2 1950

2010

тенд

1970

0003

1970

тенденция tstart = 1950

Альбом

tstart = 1960

tstart = 1970

tstart = 1980 tstart = 1990

tstart = 2000

30 [

]

1960

25 20 15 10 5 0 1950

1960

1970

1980

1990

2000

2010

ten

РИС.19: Средняя мощность сетей по сравнению с временным окном.

2000

2010

22 2.

Меры, связанные с расстоянием

tstart = 1950

P (b)

10 ∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50 10−5 −4 10 ∆t = 60 0

−2

10 10 b tstart = 1970

10 ∆t = 0 ∆t = 10 ∆t = 20 ∆ t = 30 ∆t = 40 ∆t = 50 10−5 −4 10

−5

−2

−5

−4

−2

10 10 b tstart = 1990

P (b) −5

−4

∆t3 = 0 ∆t = 10

P (b)

∆t = 0 ∆t = 10 ∆t = 20

−2

10 10 b tstart = 1980

P (b)

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30

P (б)

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40

tstart = 1960

9 0002 P (b)

10 10 b tstart = 2000

−2

−4

−2

10 b

0 10

РИС.20: Распределение промежуточности для полосовых сетей.

−4

−2

10 b

23 tstart = 1950

P (b)

10 ∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50 10−5 −4 10 ∆t = 60 0

−2

10 10 b tstart = 1970

10 ∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50 10−5 −4 10

−5

−2

−5

−4

−2

10 10 b tstart = 1990

P (b) −5

−4 10

∆t = 0 ∆t = 10

P (b)

∆t = 0 ∆t = 10 ∆t = 20

−2

10 10 b tstart = 1980

P (b)

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30

P (b)

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40

tstart = 1960

0 90 003

P (b)

10 10 b tstart = 2000

−2

−4

−2

10 b

РИС.21: Распределение посредничества для сетей художников.

−4

−2

10 b

24 tstart = 1950

P (b)

10 ∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50 10−5 −4 10 ∆t = 60 0

−2

10 10 b tstart = 1970

10 ∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40 ∆t = 50 10−5 −4 10

−5

−2

−5

−4

−2

10 10 b tstart = 1990

−4

10 100003 tstart 10

P (б)

∆t = 0 ∆t = 10

P (б)

∆t = 0 ∆t = 10 ∆t = 20

−2

10 10 b tstart = 1980

P (б)

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30

P (б)

∆t = 0 ∆t = 10 ∆t = 20 ∆t = 30 ∆t = 40

tstart = 1960

P (b)

−5

−4

−2

10 b

−4

РИС.22: Распространение промежуточности для сетей альбома.

−2

10 b

25 3.

Связанные компоненты

(a)

(b)

(c)

(d)

(e)

(f)

РИС. 23: Изменения среднего значения и дисперсии размера подключенного компонента при изменении размера и положения временного окна.

Математика | Бесплатный полнотекстовый | Алгоритм динамического ранжирования влияния на основе социальной и личной информационной сети музыкантов

1.Введение

Музыкальный рынок является неотъемлемой частью культурного рынка, с большой аудиторией и многообещающими перспективами развития. Музыкальная компания, которая инвестирует в потенциального музыканта и покупает потенциальную музыкальную пластинку, может получить значительный доход. И наоборот, вложение в влиятельного музыканта приведет к убыткам. Потенциал продаж музыкальных записей тесно связан с музыкантами и их атрибутами. Рынок нуждается в количественном индикаторе для измерения влияния музыкантов, а индикатор музыкального влияния — тема, достойная изучения.

Рынок обычно позволяет судить о популярности музыкантов. У музыкантов много поклонников, и популярность ранее выпущенных пластинок, естественно, будет иметь более высокую рыночную стоимость. Однако рыночные суждения запаздывают. Когда музыкант не известен или не выходил на рынок, рыночную стоимость музыканта сложно оценить. Исходя из того, что влияние музыкантов сложно оценить, мы приступили к исследованию этой статьи.

Во-первых, на создание музыканта будут влиять многие факторы, такие как природные качества музыканта, текущая эпоха, жанр и степень влияния на него других.Эти факторы можно разделить на социальные и несоциальные. Например, исторический фон, преобладание жанра, к которому принадлежит музыкант, и степень влияния других можно отнести к социальным факторам. Здесь эти социальные факторы можно оценить, построив разумную социальную сеть для музыкантов. Разделение музыкальных жанров и ряд показателей, измеряющих степень изменения музыкальных жанров, можно отнести к социальным факторам. Это можно оценить с помощью существующих массивов данных.

В этой статье сначала предлагается модель влияния в социальных сетях, позволяющая музыкантам измерять социальные факторы. В социальной сети музыкантов есть две роли наставника и ученика: музыкальный влиятельный человек и человек, находящийся под влиянием музыки. В зависимости от жанра и возраста музыкантов мы можем построить взвешенную сеть с параметрами. Когда можно определить вес каждого ребра и ребра, с которым каждый узел связан и выходит, мы улучшили алгоритм PageRank, который использует Google, и предложили модель MRGT (рейтинг влияния музыкантов на основе жанра и времени).

Мы использовали гауссово расстояние для анализа жанрового сходства. Индекс сходства использовался для анализа различий в музыкальном сходстве внутри жанров и между ними. Затем мы использовали набор данных, чтобы судить, был ли индекс подобия обоснованно установлен. Сходство внутри жанров было намного больше, чем между жанрами, что отражало правильность разделения. Индекс расстояния не был социальным. Расстояние каждого периода может быть интуитивно обнаружено с помощью процесса фильтрации HP, чтобы измерить степень изменения музыки во времени.Только когда степень изменения выше или ниже этого порога, можно приблизительно определить, что произошло внезапное изменение. Временные изменения социальных факторов, которые было трудно измерить количественно, достигли количественной оценки через расстояние. Затем мы добавили этот количественный показатель в модель влияния социальных сетей музыкантов. Затем мы добавили этот количественный показатель в модель влияния социальных сетей музыкантов, получившую название DMRGT (Dynamic MRGT). Таким образом, мы получили ценность влияния в социальной сети музыкантов, основанную на конкретном периоде, который является так называемым «потенциалом музыканта».Музыкальные компании могут инвестировать, ссылаясь на эту ценность «музыкального потенциала». Чтобы читатели могли более интуитивно понять контекст статьи, блок-схема процедуры нашего исследования показана на рисунке 1.

Основные вклады всей статьи следующие:

Предлагаемая модель DMRGT сочетает в себе преимущества макромоделей, эвристических алгоритмов и анализа аудиоданных, добавляя функцию временного затухания, вес влияния жанра и фактор влияния анализа аудиоданных к традиционному алгоритму PageRank.В исследование включены как социальные, так и несоциальные факторы.
Модель DMRGT получена из алгоритма PageRank и может выбирать узлы на основе определенных итераций эвристического алгоритма, таких как PageRank в этой статье. Важность узлов (музыкантов) может быть рассчитана для измерения социального влияния на основе данных социальной сети, которые являются социальными факторами.
В этой статье предлагается быстрый метод оценки сходства музыки, основанный на гауссовом расстоянии и методах анализа аудиоданных, чтобы вычислить музыкальное сходство, классифицировать жанры и извлечь музыкальные свойства с использованием массивных музыкальных данных, которые не являются социальными факторами. .Процесс фильтрации HP используется для измерения степени изменения музыки во времени.
В качестве эвристического алгоритма макромодели модель DMRGT является пояснительной, может обрабатывать пакетные данные и может избегать неблагоприятных факторов, чтобы обеспечить высокую скорость и повышенную точность.

2. Связанные работы

Исследование рыночного влияния музыкантов можно начать из их социальных сетей. Мортон и Ким заметили, что музыкант может напрямую влиять на другого музыканта через прямое и долгосрочное личное взаимодействие, но они также могут быть затронуты косвенно, например.g., слушание музыки другого музыканта в кафе [1]. Анализ мнений, эмоций или поведения человека, находящегося под влиянием других [2], называется анализом социального влияния (SIA) [3]. Основная идея SIA — как количественно оценить влияние каждого пользователя и как определить наиболее влиятельных пользователей в социальных сетях [4]. Влияние музыкантов на рынок — это вопрос SIA. Эти модели обычно делятся на две категории: микромодели и макромодели. Микромодель фокусируется на взаимодействии людей и исследует структуру процесса воздействия [3].Две известные модели диффузии влияния в этой категории — это модель независимого каскада (IC) и модель линейного порога (LM) [5,6,7,8]. Kempe et al. разработать общую модель процессов распространения в социальных сетях, которая одновременно обобщает две модели, чтобы исследовать пределы моделей, в которых могут быть получены строгие гарантии приближения [5]. В большинстве исследований необходимо выполнить моделирование методом Монте-Карло (MC) для оценки влияния пользователя на модели IC и LM, что приводит к огромным вычислительным затратам [9].Следовательно, эти подходы не могут обеспечить высокую скорость вычислений и не подходят для крупномасштабных оценок музыкального рынка. Макромодель утверждает, что все пользователи имеют одинаковую привлекательность для информации, одинаковую вероятность распространения и одинаковое влияние [10]. Чтобы найти наиболее влиятельные группы участников в музыкальных социальных сетях, хорошей отправной точкой являются обычные социальные сети [11]. Наиболее известные модели в этой категории — это модели эпидемий, которые в основном используются для моделирования распространения инфекционных заболеваний.Однако макромодель игнорирует топологические характеристики социальных сетей [3]. Процент узлов в каждом классе рассчитывается с помощью уравнений средней скорости поля, которые слишком просты, чтобы точно описать такую сложную эволюцию [3]. Дейли и Кендалл изучают топологические сети [12]. Некоторые ученые изучают человеческое поведение и влиятельные механизмы распространения [13,14,15], но механизмы поведения музыкантов не так широко доступны, как платформы больших данных для музыкального рынка. Проблема максимизации влияния состоит в том, чтобы найти набор очень влиятельных узлов, которые максимизирует масштаб распространения влияния в социальной сети в рамках данной модели распространения [16].Kempe et al. [5] являются первыми, кто формализует максимизацию влияния как задачу дискретной оптимизации и доказывает, что эта проблема NP-сложна [16]. Жадные алгоритмы «жадно» выбирают активный узел с максимальным предельным выигрышем по отношению к существующим начальным числам на каждой итерации [3]. Использование оптимального локального решения может обеспечить максимальное значение влияния узла для аппроксимации оптимального глобального решения. Предлагается множество алгоритмов, в том числе жадный алгоритм подъема вверх [5], экономичный метод отложенной перемотки вперед (CELF) [17], алгоритмы NewGreedy и MixedGreedy [18] и алгоритм отложенной перемотки вперед на основе верхней границы (UBLF) [19 ] и другие.UBLF исследовал новые верхние границы, чтобы значительно сократить количество симуляций MC и выявить k наиболее влиятельных узлов в социальных сетях [19]. Некоторые из алгоритмов, используемых для изучения различий между людьми, основаны на этих жадных алгоритмах [3]. Общим ограничением этих подходов является неэффективность вычислений в больших сетях [19]. Даже с улучшенными жадными алгоритмами время выполнения все еще велико и может не подходить для больших графов социальных сетей [20]. Возможная альтернатива — использование эвристики [20].Эвристические алгоритмы выбирают узлы на основе определенной эвристики, такой как степень или PageRank, а не вычисляют предельный выигрыш узлов на каждой итерации [3]. Эффективность достигается за счет снижения точности. Педро Кано и др. использовал PageRank для изучения топологической структуры музыкальных сетей, и их анализ показал появление сложных сетевых явлений в музыкальных информационных сетях с артистами как узлами и отношениями как связями. Эти атрибуты могут предоставить некоторые предложения по возможности поиска и возможной оптимизации для разработки системы рекомендаций по музыке.Аудиоданные относительно сложны и содержат богатую структурную информацию в различных временных масштабах. Во-вторых, музыка продолжает развиваться, а исполнитель, песня и жанр со временем меняются. Что касается сложности обработки аудиоданных, существует большой семантический пробел при извлечении дополнительных атрибутов, таких как «тип, настроение, инструмент и тема» из аудио [21]. Ник Коллинз может быть одним из первых, кто использовал музыкальные данные для изучения влияния музыки. Он изучил основанную на содержании классификацию песен Synthpop на небольшом аннотированном вручную наборе данных из 364 песен [22].Позже он использовал модель Маркова с переменным порядком частичного совпадения (PPM) для экспериментов по прогнозированию, но использованный набор данных был также относительно небольшим (248 треков) [23]. Шалит и др. [24] впервые применили метод тематического моделирования для изучения влияния музыки. В частности, они использовали динамическую тематическую модель [25] и модель влияния документа [26]. Временные ряды были расширены до традиционного тематического моделирования, что позволило темам развиваться. В связи с недавней повсеместной популярностью методов, основанных на глубоком обучении, Мортон и Ким впервые применили глубокое обучение для распознавания музыкального воздействия на основе контента [1].Они используют сеть глубоких убеждений для извлечения характеристик из спектрального представления аудио, хотя они рассматривают распознавание влияния как проблему классификации с несколькими метками, всего с десятью классами (влияющими на артистов). Сюэ Вэньчжэ использует DIM (Document Impact Model) для изучения метода тематического моделирования влияния музыкантов. На этом этапе он применяет k-means, что не гарантирует нахождение оптимальной глобальной кластеризации с точки зрения сокращения потерь. Он также попытался использовать аудиозаписи песни, обученные сиамской сверточной нейронной сетью, для проведения соответствующих исследований влияния музыкантов.Основным ограничением этого метода является то, что ограниченный временной масштаб приведет к потере информации, которую модель не может объяснить [27]. Музыкальный рынок имеет большой объем данных, и он более подходит для принятия эвристических алгоритмов макромоделей. DMRGT сочетает в себе преимущества макромоделей, эвристических алгоритмов и анализа аудиоданных. На рисунке 2 представлена сравнительная диаграмма эффективности алгоритма DMRGT и других модельных алгоритмов. Чтобы повысить точность, каждый музыкант будет учитывать влияние своего жанра, влияние времени и относительное влияние своего портфолио.По сравнению с микросетями эта модель может обрабатывать большой объем данных; по сравнению с традиционным PageRank, он имеет более высокую точность; и по сравнению с нейронными сетями и другими моделями он более интерпретируемый. Несомненно, у модели DMRGT есть свои достоинства и преимущества.

3. Методология

3.1. Описание символов

Таблица 1 дает описание основных символов для индикаторов, рассчитываемых на протяжении всей процедуры работы.

Наборы данных

Источник данных, используемый в этой статье, был получен из Математического конкурса по моделированию 2021 года: ПРОБЛЕМА MCM D: Влияние музыки (доступно по адресу https: // www.comap.com/undergraduate/contests/mcm/contests/2021/problems/, по состоянию на 2 сентября 2021 г.). Информация о наборе данных описана в таблице 2. Он содержит в общей сложности 42 770 строк данных влияния, 98 340 строк музыкальных данных и 5854 строки данных артистов. Подробности этих данных показаны в следующей таблице.

3.2. Модель оценки влияния

В этом разделе сначала анализируется возможность использования алгоритма PageRank для построения индивидуальной модели влияния и алгоритма MQRT для оценки коллективного влияния.

3.2.1. Индивидуальное влияние оценки PageRank

В экспериментальном наборе данных использовались данные о влиянии, состоящие из 42 770 записей влиятельных лиц и последователей среди связанных музыкантов, а также были предоставлены метаданные, такие как музыкальный жанр предшественников, популярное время, музыкальный жанр и время следования последователей.

Примечательно, что все жанры в этой статье учитывают время популярности, то есть жанр — это жанр с одинаковым названием жанра и временем популярности. Школы с таким же названием, но разное время популярности считаются другими школами.

Алгоритм PageRank — это алгоритм ранжирования веб-страниц, предложенный Google, основанный Брином и Пейджем в 1998 году. Когда алгоритм PageRank вводится во влияние музыкальных исполнителей, взаимосвязь между страницами изменяется. Это становится взаимосвязью между влиянием и поклонением музыкальных исполнителей, как показано в следующей формуле:

MR (i) = d∑j → iMR (j) L (j) + 1 − dGM

(1)

Среди них M.R. (i) представляет ценность музыкального влияния музыканта i; j → i представляет музыкального младшего j, следующего за музыкальным старшим i; L (j) — количество предшественников, за которыми следует j, младший музыкант; GM — собрание музыкантов; || представляет количество элементов в группе; d — коэффициент лобового сопротивления, обычно 0.85.

Условная вероятность выбора любых предшественников для обучения составляет 1 / L (i). Формула (1) показывает, что когда младший по музыке учится у предшественника j и ищет следующий учебный объект, вероятность обучения у предшественников J равна d. То есть все предшественники предшественника j имеют одинаковую вероятность быть выбранными, если таковые имеются, и все они влияют на следующего музыканта с возможностью 1L (i).

Однако в музыке музыканты не выбирают следование объектам с одинаковой вероятностью обучения; на их выбор влияют такие факторы, как популярность их предшественников, а также схожесть их стиля и жанра.Предки, за которыми следуют музыканты, имеют определенную степень сходства с жанровыми или музыкальными жанровыми характеристиками самих музыкантов. Следовательно, то, затронуты ли последующие последователи музыканта или каким образом, сильно зависит от продолжительности или сущности влияния других предшественников. Например, музыкальные инновации многих блестящих исполнителей в истории развития музыки еще долгое время будут играть важную направляющую роль в направлении развития музыки.Чем выше существенные достижения предшественников, тем больше они будут признаны и соответственно увеличатся их последователи. Есть и выдающиеся последователи. Влиятельные музыканты также будут способствовать процветанию и процветанию определенного музыкального жанра.

Основываясь на взаимной взаимосвязи между выдающимся исполнением последователей музыкантов и артистическими жанрами выдающихся музыкантов, эта статья предлагает улучшенный алгоритм рейтинга страниц MRGT в сочетании с исполнением и популярностью начинающих музыкантов в последние годы.Кроме того, в этой статье исследуется влияние музыкантов на музыкальные жанры в последние годы и изменения во влиянии музыкантов с течением времени. Наконец, конкретные эксперименты подтверждают, что алгоритм MRGT может эффективно определять количество выступлений музыкантов и определять предпочтения музыкантов.

3.2.2. Коллективное влияние оценки MQRT

Основная идея MRGT заключается в том, что если музыкант влияет на более новых музыкантов, то сам музыкант, вероятно, будет иметь большое влияние; начинающие музыканты, находящиеся под влиянием популярных жанров, получают больше пиара.Следовательно, для каждого музыканта i получаемый ими PR зависит от временного интервала j всех музыкантов, на которых они влияют, и от уровня исполнения жанра в последние годы. Конкретную формулу можно выразить следующим образом:

MR (i) = d∑j → iMR (j) × ω (i, j) + 1 − dGM

(2)

ω (i, j) — вероятность перехода с j на i.

Качество и влияние жанра не фиксированы; они меняются вместе с оценкой музыкантов. Некоторые жанры становятся более влиятельными по мере того, как музыканты внутри них становятся все более талантливыми.Напротив, некоторые жанры становятся менее эффективными из-за последующего медленного развития и отставания музыкантов. Поэтому необходимо рассматривать каждый жанр разных периодов отдельно. Например, «R&B, 2000–2010» и «R&B, 2010–2020» рассматриваются как отдельные жанры. Обратите внимание, что в этой статье все жанры относятся к жанрам или музыкантам, рассматриваемым в этом году, если не указано иное.

Поскольку существует определенная корреляция между большинством музыкантов и влиятельных лиц, когда музыкант рассматривает возможность выбора одного из влиятельных лиц музыканта, которого он в настоящее время изучает, новые музыканты из высокоэффективных жанров последних лет, вероятно, будут первым выбором.Следовательно, весовой коэффициент среди музыкантов можно установить следующим образом:

ω (i, j) = ln (fi) [LSgi] α [t (i, j)] (1 − α)

(3)

где L.S.gi — это влияние жанра, к которому музыкант i принадлежит в последние годы, а t (i, j) представляет собой временной интервал, когда музыкант j находится под влиянием музыканта i.

Здесь σ — коэффициент затухания по времени, Ti — время.

Влияние жанра в основном определяется музыкальным развитием музыкантов, и чем лучше продукт, тем сильнее сила жанра.Таким образом, оценка жанра G.S. (gk) может быть выражена следующим образом:

GSgk = 1GMgk∑k∈GMgkGMR (к)

(5)

где GS (gk) — оценка влияния жанра gk, а Gp (gk) — набор идентификаторов музыкантов, которые следуют в жанре VK. Чтобы точно охарактеризовать динамический характер влияния жанра, мы рассматриваем каждый период жанра индивидуально. и учитывать его показатели за последние годы при оценке его влияния. Если жанр Gi принадлежит году y, а название жанра — Ngi, то жанр может быть выражен как (Ngi, y), а N других лет принадлежит другому периодическому изданию, например (Ngi, y) в году Y− 1, который можно выразить как (Ngi, y − 1).Жанр G в наборе публикаций последнего года Tg и gi может быть выражен следующим образом:

pnidgi = Ngi, y, Ngi, y − 1, ⋯, Ngi, y − tg

(6)

Например, сборники музыкальных жанров «R&B, 2000–2010» за последние 30 лет: «R&B, 1970–1980», «R&B, 1980–1990» и «R&B, 1990–2000». Показатели жанра L.S. (ги) в последние десятилетия можно выразить следующим образом:

LSgi = 1tg + 1∑gk∈pnidgiGSgk

(7)

Основываясь на приведенном выше анализе, алгоритм MRGT обеспечивает влияние музыкантов на основе жанрового влияния.Сначала инициализируются все музыканты и жанры или музыканты, оценка музыкантов устанавливается как 1GM, оценка жанров устанавливается как 1GG, а 1GM — это количество музыкантов. Более того, ВВ — это количество жанров. Рейтинги влияния, составленные некоторыми из музыкантов с более высоким рейтингом, представлены на Рисунке 3.

3.3. Модель оценки сходства музыкальных функций

Для оценки сходства музыкальных элементов часто используется непосредственная оценка формы волны, большая часть которой является сложной и сложной для непосредственного применения в массовом анализе.В этой статье предлагается быстрый метод оценки музыкального сходства, основанный на гауссовом расстоянии и семи музыкальных характеристиках, которые легко собрать. Более того, он может получить средние и максимальные различия между музыкой и музыкальной коллекцией, что позволяет быстро оценить сходство между музыкантами и жанрами.

В этом разделе сначала представлены используемые музыкальные функции, описан процесс ее обработки и представлен метод расчета музыкального сходства. В Приложении A есть семь способов выразить характеристики музыкальной мелодии.На основании этого мы анализируем сходство между музыкой.

Мы считаем, что влияние каждой музыкальной особенности на музыкальное сходство должно быть одинаковым. Чтобы сделать влияние разных музыкальных характеристик на сходство примерно одинаковым, мы стандартизировали данные.

Для любой дискретной переменной Z формула нормализации min-max выглядит следующим образом:

Нор (Z) = Z − min (Z) макс (Z) −min (Z)

(8)

Затем для пакетной обработки дискретных данных и данных с плавающей запятой использовалось гауссово расстояние.

Поскольку мы использовали гауссово расстояние для измерения сходства между музыкой, абсолютное пространство не может напрямую отражать разницу между музыкой для определенных музыкальных функций. Например, в громкости логарифмического распределения существует значительная разница между 0 и -10; у одного нет звука, а у другого есть звук, в то время как разница в громкости между -100 и -110 относительно мала, поскольку они находятся далеко от источника. Поэтому мы использовали метод квантильной корректировки для дальнейшей корректировки данных.

Функция, симметричная в радиальном направлении, использовалась для отображения конечномерных данных в многомерное пространство. Обычно его определяют как монотонную функцию евклидова расстояния от любой точки x до определенной центральной точки x ′ в пространстве.

Distmx, x ′ = e − xx′22σ2

(9)

x ′ — центр функции ядра, а x − x′2 — евклидово расстояние (норма L2) вектора x и вектора x ′. По мере увеличения расстояния между двумя векторами функция ядра Гаусса монотонно уменьшается.σ — экзогенный параметр, который можно корректировать искусственно. Чем больше эффективный диапазон функции ядра Гаусса, тем больше значение и больший диапазон локального влияния функции ядра Гаусса. В то же время выбранное значение σ не может быть слишком маленьким. В противном случае его легко переобучить в задаче классификации.

Мы надеемся, что чем больше похожи музыкальные функции, тем больше будет ценность; поэтому мы использовали следующую формулу для расчета схожести музыкальных функций:

Для достижения цели, чем больше похожих функций, тем больше значение; поэтому мы используем следующую формулу для расчета схожести музыкальных характеристик:

Музыка_подобие (x, y) = 1 / Distm (x, y) Distm (x, y) ≠ 0 + ∞Distm (x, y) = 0

(10)

Col_music_similarity = 2 × ∑i, j∈Col, i ≠ jMusic_similarity (i, j) N × (N − 1) N≥2UndefinedN≤1

(11)

Как показано на рисунке 4, чтобы оценить, может ли функция ядра Гаусса точно классифицировать жанр, мы построили иерархические диаграммы кластеризации каждого жанра и его основных характеристик.В процессе производства мы использовали full_music_data.csv для извлечения характеристик каждой песни и impact_data.csv для маркировки каждой песни в соответствии с жанром композитора. Затем мы вычислили среднее значение каждой характеристики жанра песни, стандартизировали каждую функцию и откалибровали семь регулярных интервалов распределения с целыми числами в соответствии с принципами трех сигм; диапазон составляет [−3,3], что показано на рисунке. На этой диаграмме чем темнее цвет, тем отчетливее характерная черта жанра.

Хорошо видно, что каждый жанр имеет более высокую разницу в конкретных характеристиках песни, чем другие жанры. Например, в детском жанре треков больше и продолжительнее, но для танцев он не подходит. Можно сказать, что разница между жанрами в разных песенных характеристиках является наиболее существенной разницей между жанрами. Мы также можем увидеть сходство между различными жанрами из иерархического дерева кластеризации на рисунке. Более похожие жанры находятся в верхней ветке.

Мы также обнаружили, что исполнители в пределах одного жанра больше похожи на исполнителей одного жанра, что измеряется с помощью этой модели измерения музыкального сходства. Это то же самое, что и наше познание; иными словами, эффективен метод измерения музыкального сходства.

4. Эксперимент

4.1. Эксперимент «Влияние музыкантов»

Чтобы проверить правильность алгоритма, в этой статье случайным образом был выбран рейтинг музыкантов, исполняющих популярные музыкальные произведения, для проверки. Мы установили 50 самых выдающихся поп-музыкантов в истории, выбранных журналом «Rolling Stone» в качестве эталона после изучения различных авторитетных данных.Из-за разницы в годах отбора в эту статью были исключены 13 известных музыкантов из журнала Rolling Stone, но не из набора данных MRGT. На рис. 5 представлены экспериментальные результаты в виде пузырьковой диаграммы, на которой размер и цвет пузырька менялись в зависимости от степени воздействия; чем больше мощность, тем больше пузырь.

Стоит отметить, что часть над линией регрессии пузырькового графика представляет группу музыкантов в модели MRGT, которые заняли и превзошли «Rolling Stone».Большинство заказов, достигших шкалы «Rolling Stone», приходятся на начинающих музыкантов. Активный возраст приходится в основном на конец 1960-х, 1970-е и 1980-е годы. Эти начинающие музыканты имеют меньшее влияние, чем более старые музыканты, из-за фактора упадка, так что их сила падает меньше, и они догоняют старых музыкантов, которые изначально занимали близкое место. Более того, если наша статья уберет фактор снижения, рейтинг будет в дальнейшем соответствовать порядку «Rolling Stone». Для удобства объяснения здесь мы напрямую исключаем музыкантов, которые превзошли линию регрессии, то есть восемь новых музыкантов, таких как Мадонна.Модель соответствует рейтингу «Rolling Stone». Подгонка была дополнительно улучшена, достигнув 48,3%.

Этот дальнейший эксперимент доказывает, что модель в этой статье является хорошей моделью для начинающих музыкантов. В то же время, для лучших музыкантов модель временного спада существенно не влияет на их рейтинг. Предпочтение музыкантов-новичков не отменяет исторического влияния прежних музыкантов. Например, Мадди в 1940-х, Рэй и другие по-прежнему высоко оцениваются. Это отражает то, что модель сохраняет характеристики объективности и справедливости, основанные на определенных настройках предпочтений.

В традиционном смысле так называемое ранжирование должно основываться на единой индексной системе. Многие из них основаны на годовом бюджете оркестра, количестве гастролей, аудитории трансляций, технических требованиях и количестве музыкантов, а также количестве последователей для нынешнего порядка оркестров. Например, телеканал CNN в Соединенных Штатах выбрал двадцать музыкантов в качестве кандидатов со всего мира для ознаменования трансляции программы по искусству и культуре «Икона» и путем голосования установил пять выдающихся музыкантов мира.В этой статье считается, что процесс голосования очень долгий, что также приводит к длительному процессу ранжирования. Использование голосов в качестве индикатора для ранжирования музыкантов также будет зависеть от неблагоприятных факторов, таких как анализ рейтингов и опрос избирателей. Самым значительным преимуществом алгоритма MRGT является то, что он автоматически сортирует музыкантов по различным показателям, таким как время и жанр. Компьютерный алгоритм, который избегает неблагоприятных факторов, таких как чистка зубов и опрашивание голосов, а также скорость вращения коленчатого вала, является быстрым.

4.2. Эксперимент по музыкальному подобию

Мы надеемся проанализировать тенденцию развития жанра через схожесть жанров и попытаться доказать нашу гипотезу историческими моментами. Мы использовали фильтрацию HP для нашего исследования. Наша статья сначала получает индекс сходства между парами песен в наборе данных. Первый шаг — это предварительная обработка данных. Затем случайным образом выберите 100 групп, чтобы вычислить сходство между тремя группами. Первая группа выбирает конкретный тип образца для расчета среднего значения, отражающего степень его рыхлости.Данные взяты изнутри и вне жанра, чтобы отразить его степень исключения во второй группе. Третья группа — это среднее значение первых двух сэмплов, отражающее новую отрасль жанра. Применяя фильтр HP к трем последовательностям событий, фильтр HP получает элемент среднего периода и элемент тренда, а затем проверяет выбросы элемента среднего периода. Точка изменения — это период значительных изменений. В [29] принцип фильтрации HP предполагает наличие временного ряда. Принцип фильтрации HP предполагает, что временной ряд X = x1, x2, ⋯, xn содержит часть долгосрочного тренда и компонент периодических колебаний, тогда X = XT + XC.Последовательность трендов XT = xt1, xt2, ⋯, xtn, представляющая компонент долгосрочного тренда, и последовательность колебаний XC = xc1, xc2, ⋯, xcn, представляющая повторяющуюся составляющую колебаний, получаются с помощью HP-фильтрации X. XT — это решение задачи минимизации [29].

min∑i = 1nxi − xti2 + λ∑i = 2n − 1xti + 1 − xti − xti − xti − 12

(12)

Среди них ∑i = 1nxi-xti2 — это сумма квадратов последовательности колебаний, представляющая степень колебания последовательности колебаний или степень отслеживания последовательности тренда по отношению к исходному ряду.Ref. [30] ∑i = 2n − 1xti + 1 − xti − xti − xti − 12 — это сумма квадратов второй разностной последовательности последовательности тренда и представляет гладкость компонента тренда. λ (λ≥0) — штрафной коэффициент, который контролирует гладкость последовательности тренда и становится параметром гладкости. Эмпирически мы предполагаем, что λ равно 14 400. Решение задачи оптимизации фильтра HP заключается в следующем. Взяв различные частные производные, мы можем получить систему уравнений [31]:

∂S∂g1 = −2y1 − g1 + 2λg3−2g2 + g1 = 0 ∂S∂g2 = −2y2 − g2 + 2λg4−2g3 + g2−4λg3−2g2 + g1 = 0… ∂S∂gT − 1 = −2yT −1 − gT − 1 + 2λgT − 1−2gT − 2 + gT − 3−4λgT − 2gT − 1 + gT − 2 = 0∂S∂gT = −2yT − gT + 2λgT − 2gT − 1 + gT − 2 = 0

(13)

Матричная форма системы следующая:

I + λ1−2−2 ⋯ 00−24 + 1−2−2 ⋯ 001−2−21 + 4 + 1 ⋯ 00 ⋯⋯⋯⋯⋯⋯ 000 ⋯ 1 + 4−2000 ⋯ −21g1g2g3 ⋯ gT − 1gT = y1y2y3 ⋯ yT − 1yT

(14)

где I — единичная матрица.Затем мы можем получить основную тенденцию, используя приведенное выше уравнение [32]. На рисунке 6 показан тренд фильтра HP. На Рисунке 7 показан член цикла фильтра HP. Наблюдая за Рисунком 7, мы обнаруживаем, что в стране наблюдаются очевидные колебания, поэтому мы могли бы также выделить термин тренда и член цикла для жанра кантри отдельно, как на Рисунке 8. В На рисунке 8 в 1941 году сходство в жанрах кантри резко снизилось, и произошла внезапная перемена. Это представляет собой стиль кантри от плюрализма до единодушия.Глядя на историю, было обнаружено, что кантри действительно пережила большой сплав во время Второй мировой войны [33].

4.3. Сравнение рейтингов музыкальных алгоритмов

В связанных работах эта статья с принципиальной точки зрения обнаружила, что микромодель требует много времени и не подходит для крупномасштабной оценки музыкального рынка; макромодель не может точно описать индивидуальные различия, которые необходимо учитывать в сложной эволюции, и точность невысока; жадный алгоритм имеет высокую сложность и время выполнения, а также низкую эффективность.Алгоритм DMRGT — это алгоритм объединения, основанный на эвристическом алгоритме и технологии анализа аудиоданных. По сравнению с традиционным PageRank, мы добавили функцию временного спада, вес жанра и фактор влияния анализа аудиоданных. Однако, лучше ли новый алгоритм, чем эвристический алгоритм, еще не подтверждено.

Здесь мы определили предполагаемое влияние художника, сравнив алгоритм модели влияния документа (DIM) с алгоритмом DMRGT. Вышеупомянутые два алгоритма использовались для сортировки набора данных в этой статье и сравнения его с рейтингом Rolling Stone.Порядок ранжирования Rolling Stone был взят за абсциссу, а относительный порядок ранжирования DMRGT — за ординату для построения графика. Как показано на рисунке 9, графики распределены по оси y = x, что свидетельствует о том, что модель DMRGT может в значительной степени соответствовать методу ранжирования на музыкальном рынке. Порядок ранжирования Rolling Stones был взят за абсциссу, а относительный порядок ранжирования DIM — как ординату для построения графика. Результаты показаны на рисунке 9 и занимают восемь верхних мест, как показано на рисунке 10.Видно, что рейтинг DMRGT положительно коррелирует с рейтингом Rolling Stone.

6. Выводы

Гауссово расстояние можно использовать для разделения жанров, а расстояние внутри жанра после его разделения значительно меньше, чем расстояние вне жанра. Элементы тенденций музыкальных характеристик каждого жанра после процесса фильтрации HP можно использовать в качестве индикатора изменения времени. В определенный период индекс DMI, построенный с учетом влияния социальных сетей, индикаторов изменений эпохи и соотношения творческой музыки к современной музыке, может эффективно отражать влияние музыкантов.Как эвристический алгоритм макромодели, модель DMRGT является пояснительной и может обрабатывать пакетные данные. По сравнению с обычной макромоделью мы не предполагаем, что каждый узел похож. Мы полностью рассмотрели различные влияния разных жанров, разных эпох и музыки, созданные каждым артистом в определенную эпоху на узле. Следовательно, точность DMRGT выше. В процессе сравнения точность построенного нами индекса влияния даже лучше, чем у нейросетевых алгоритмов.

Некоторые люди предсказывают рыночные изменения с помощью музыкальных атрибутов [34], но редко предсказывают их с помощью влияния и музыкальных атрибутов. Даже если мы обсудим влияние социальных сетей, наша модель относительно хороша. Создавая индикаторы DMI, музыкальные компании могут находить музыкантов с более высокой инвестиционной ценностью и получать помощь в принятии бизнес-решений. Недостаток этой статьи в том, что она создает макросеть, способную обрабатывать огромные объемы данных.

Количественный анализ всестороннего влияния музыкальной сети на основе логистической регрессии и двунаправленной кластеризации

В этой статье проводится количественный анализ всестороннего влияния музыкальных сетей.Во-первых, 11 музыкальных характеристик выбираются по энергии, популярности и другим аспектам для построения всеобъемлющего оценочного индекса музыкального влияния, а алгоритм PageRank используется для количественной оценки музыкального влияния. Во-вторых, многокритериальная логистическая регрессия используется для построения модели измерения музыкального сходства и, в сочетании с музыкальным влиянием и музыкальным сходством, позволяет судить, является ли влияние разных музыкантов реальным влиянием. В-третьих, влияние и сходство одного и того же музыкального жанра и разных музыкальных жанров анализируются с помощью метода двустороннего кластерного анализа.Наконец, область лассо используется для выбора характеристик, чтобы получить факторы изменения в процессе развития музыки и проанализировать динамические изменения в процессе развития музыки. Поэтому в данной статье сетевая наука используется для построения динамической сети для анализа сходства музыки, процесса эволюции и влияния музыки на культуру, что имеет определенное исследовательское значение и практическую ценность в области музыки, истории, социальных наук, и практика.

1. Введение

Музыка, являясь важной частью человеческой цивилизации, оказывает огромное влияние на развитие человеческого общества.В процессе создания музыки на артистов влияют многие факторы, такие как другие музыканты, музыкальные школы, музыкальные жанры, общественные и политические события. В свою очередь, постоянное творчество музыкантов также способствует развитию музыки. В последние годы ученые пытаются использовать машинное обучение и модель глубокого обучения, чтобы изучить влияние развития музыки. Согласно нашей задаче и предварительным размышлениям, мы искали и читали статьи о классификации и распознавании музыкальных жанров, оценке музыкального воздействия и так далее.В содержании исследования, связанном с классификацией музыкальных жанров, он в основном анализируется с точки зрения влияния отдельной музыки. В некоторой литературе рассматривается перспектива классификации музыкальных жанров, и на этой основе более практическое значение имеет оценка музыкального влияния.

Насер и Саха [1] проанализировали влияние музыки на эмоции и творческие способности, создав модель яйца. Banerjee et al. [2] использовали детерминированные и недетерминированные методы для изучения влияния различной музыки.В рамках анализа серьезности в данной статье музыкальная фракция анализируется с двух измерений акустики и музыкальных характеристик [3]. Suganda et al. [4] и Ли и др. [5] построили модель глубокой нейронной сети для классификации музыки с использованием спектра, оценили и объединили концепцию функции сегмента слияния, предложенную Dai et al. [6], подтвердили эффективность сегментации и извлечения музыкальных признаков и представили долговременную краткосрочную память (LSTM) в области распознавания музыкальных жанров.Sim et al. [7] использовали многоуровневый метод искусственной нейронной сети MRA для понимания и прогнозирования взаимосвязи между музыкальным влиянием и музыкальным влиянием. На основе непрерывной интеграции традиционного метода фильтрации и метода упаковки постоянно меняются различные новые алгоритмы поиска и критерии оценки для классификаторов, такие как метод отсечения нейронной сети [8] и оценка нечеткой энтропии набора функций [9], которые обеспечивают хорошая идея для опорной векторной машины [10] и модели гауссовой смеси [11].Burred и Lerch [12] классифицировали типы музыки на основе алгоритма crnn. Cheng et al. [13] проанализировали преимущества музыкального жанра в тестах на интенсивность. Nilson et al. [14] изучили анализ метода распознавания музыкальных эмоций на основе характеристик данных и использовали модель LDA Ли [15] для обработки музыкальных тегов, а взвешенная обработка повысила точность классификации. Zhen et al. [16] вводят функции MFCC в модель KNN и проводят эксперименты с набором данных gtzan [17], которые подтверждают эффективность модели KNN в распознавании музыкальных жанров.Цанетакис и Кук [18] сравнили способность модели улучшения градиента и дополнительной древовидной модели извлекать многомерные цифровые особенности музыкальных типов и доказали, что эти две модели могут эффективно идентифицировать информацию об особенностях музыкальных типов. Метод Гаусса-Зейделя, предложенный Дональдом Гольдфарбом [19], и основной принцип и идея кластеризации, предложенные Гольдфарбом и др. [20] также предлагают идеи для создания музыкальных индикаторов воздействия.

В этой статье строится всеобъемлющая и многомерная сеть музыкального влияния и на этой основе строится модель измерения музыкального сходства и подробно обсуждается влияние музыки, схожесть музыкальных школ и динамические изменения музыки.В основном он включает в себя следующие аспекты: создание сети влияния на музыку: PageRank используется для построения направленной сети для выявления типов взаимодействия между музыкантами и музыкой; исследование по построению модели измерения музыкального сходства: модель контролируемой классификации используется для расчета музыкального сходства сэмплов; двунаправленная кластеризация: анализ сходства и влияния между жанрами и внутри них; и регрессия лассо: использование лассо для определения показателей, которые существенно объясняют динамические факторы и объясняют, как жанры или исполнители меняются с течением времени.Проанализирована существующая модель и предложена общая модель, учитывающая множество данных. Общая идея показана на рисунке 1.

2. Источники данных и основные предположения
Данные этой статьи взяты из вопроса D конкурса математического моделирования 2021 студентов американских колледжей. Чтобы облегчить решение проблемы, мы предлагаем следующие предположения: (i) Мы предполагаем, что средние характеристики всей музыки, созданной музыкантом за год, могут представлять музыкальные характеристики музыканта в течение года (ii) Мы предполагаем, что средние характеристики всех музыкантов за год могут представлять музыкальные характеристики всего года (iii) Мы предполагаем, что отсутствующие данные не играют важной роли в модели (iv) Мы предполагаем, что нет никаких отклонений во внутренних Соотношение показателей в модели
3.Исследовательский анализ данных
Когда мы получаем предварительный набор данных, мы сначала используем метод нормализации для обработки данных, оцениваем существующую информацию о данных посредством числовой обработки и сравнения, а также анализируем корреляцию и тенденцию изменения между данными, чтобы помочь мы понимаем исходный набор данных в максимальной степени. Вот что мы нашли.
3.1. Исследование значения потери данных
В результате анализа наборов данных мы обнаружили, что во всех наборах данных отсутствует пропущенное значение, но между наборами данных существует некоторая асимметрия информации.Вот наш анализ.
У музыканта с ID 477787 нет информации в data_by_artist, поэтому мы удалили ее. У некоторых музыкантов в «data_by_artist» нет данных в «влиятельных_данных», и им не хватает информации о году и жанре влияния. Учитывая большой объем информации о музыкантах, мало кто из музыкантов испытывает недостаток информации. Чтобы облегчить последующий анализ и моделирование, мы извлекаем данные этих музыкантов из «data_by_artist». После удаления у нас все еще есть данные о 5602 музыкантах.В то же время есть много людей, которые составляют небольшую часть музыки. Для удобства анализа мы их также удаляем. После удаления у нас осталось
музыкальных данных.
3.2. Стандартизация данных
Иногда, в связи с потребностями модели, нам необходимо стандартизировать непрерывные переменные в данных перед моделированием, то есть, используя следующую формулу: где — элемент в строках i и j в набора данных — это среднее значение столбца j и стандартное отклонение столбца j .
3.3. Анализ переменных
Мы вычисляем среднее, медианное, квантильное, максимальное и минимальное значения непрерывных переменных в «full_music_data». Результаты показаны в таблице 1.
930 930 935 935 930 930 930 930 935 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 9303 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930
Значение Танцевальность Энергия Валентность Темп Громкость Акустичность
Мин. 0.01 0,01 0,12 30,0 −−60,00 0,03
1-й кв 0,54 0,55 0,54 117,21 −10,00 0,34
Среднее значение 0,52 0,54 0,54 119,34 59 0,41
3-й квартал 0,64 0,76 0,75 137,61 -6,94 0,76
Макс 1,00
Значение Инструментальность Живучесть Речь Duration_ms Популярность —
0,03 0,01 5108 0,02 —
1st Qu 0,10 0,10 0,03 175 502930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 0,13 0,04 218 600 36,00 —
Среднее значение 0,12 0,20 0,06 237414 3530 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 0,26 0,06 272640 48,00 —
Макс.
Дискретные переменные можно разделить на явные переменные, переменные шаблона и ключевые переменные. Среди них 88361 явная переменная типа 0 и 3370 переменных типа 1.Число переменных типа 0 почти в 26 раз больше, чем переменных типа 1. Согласно опыту, мы можем удалить эту переменную в будущем анализе. В Категории 0 имеется 25324 явных переменных, 66407 явных переменных в Категории 1 и 12 ключевых переменных в Категории 1, которые представлены в виде гистограммы, как показано на рисунке 2.

Как видно из рисунка 2, в «full_music_data» больше категорий 0, 2 и 9 и меньше категорий 3 и 6 в наборе данных.Выше приведен исследовательский анализ каждого набора данных. В следующей модели мы выберем переменные и наблюдения в соответствии с фактической ситуацией с набором данных, содержанием проблемы, базовыми знаниями и областью применения модели.
4.1. Принципы PageRank
PageRank — это технология поисковой машины, основанная на гиперссылках. По связям между узлами важность контакта делится от 0 до 10 столбцов, а 10 баллов — это полная оценка.Высокое значение PR указывает на то, что узел очень важен [21]. Схема PageRank показана на рисунке 3.

4.2. Расчет влияния музыки
В этой статье важность влиятельных лиц в сети сортируется с помощью улучшенного алгоритма PageRank [22, 23], а также рассчитывается влияние музыкантов. Например, для влиятельных лиц и последователей музыкантов принципы PageRank следующие.
Сначала мы строим матрицу смежности размерностей по следующим отношениям между n музыкантов:
Если значения строки i и столбца j в матрице равны 1, то музыкант j имеет влияние на музыканта i .Напротив, если значения строки i и столбца j в матрице равны 0, то музыкант j не влияет на музыканта i .
Чтобы избежать расхождения, мы нормализуем столбцы матрицы так, чтобы сумма каждого столбца в матрице была равна 1:
Чтобы избежать сбоя сходимости алгоритма из-за мертвой цепи алгоритма, мы перескакиваем по соединению отношения между музыкантами с определенной вероятностью.Мы перепрыгиваем по связи между музыкантами с определенной вероятностью и с определенной вероятностью перескакиваем на любого музыканта. Описать это на математическом языке — значит построить матрицу, где — матрица смежности размерностей со всеми внутренними элементами. Мы устанавливаем. Наконец, мы инициализируем вектор степени влияния размерности; то есть,, где, и путем повторения следующей формулы до сходимости мы получаем окончательный вектор влияния.
4.3. Анализ результатов расчетов
Мы использовали формулу PageRank для расчета важности и получили влияние 5602 музыкантов.Результаты представлены в таблице 2.
930 Ste29930 Черный 49535 И 30930 2730 930 930 930 Fifth 145 9302 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 2,49 E — 42 930 1035 930 930 930 930 930 930 930 930 930 930 930 930 930 930 , мы обнаруживаем, что музыканты с ID 36106, 3495279 и 3480388 являются тремя наиболее влиятельными музыкантами. 1960, 2010 и 2010 годы — первые десять лет их музыкальной карьеры соответственно. Поп / рок-музыканты составляют 75% из 20 лучших, а латиноамериканские музыканты составляют 15%.С тех пор, как музыканты начали писать, 50% из них начали писать в 2010 году, 25% — в 2000 году, а 75% из 20 лучших музыкантов начали писать в 21 веке.
Для дальнейшего изучения взаимосвязи между влиянием, жанром и годом музыкантов в целевой сети мы провели углубленный анализ влиятельных музыкантов среди 5062 музыкантов. Влияние 200-го наиболее влиятельного музыканта составляет 10,12% от первого наиболее влиятельного музыканта. Основываясь на оценке влияния музыкантов в предыдущих исследованиях, мы определили 200 лучших музыкантов как влиятельных.Для избранных влиятельных музыкантов мы сравнили их музыкальные жанры и время, когда они начали свою карьеру. Результаты показаны на рисунках с 4 по 5.

Из рисунка 4 мы видим, что наиболее влиятельным музыкальным жанром является поп / рок, составляющий 65,5%, за которым следуют музыка кантри, электронная музыка и музыка R&B. что составляет 11,5%, 5% и 5% соответственно. Что касается времени, когда музыканты начинают свою карьеру, 45,5% из них начинают свою карьеру в 2010 и 21 годах.5% в 2020 году, что означает, что 67% самых влиятельных музыкантов начинают свою карьеру в начале 21 века. В 1990 году 26,5% музыкантов начали заниматься музыкой, а в 1980 году — 4,5%. К концу 20 века 31% музыкантов начали писать музыку. Основываясь на приведенном выше анализе, мы можем сделать предварительный вывод: с конца 20 века под влиянием экономической и социальной стабильности, научного и культурного развития и других факторов поп / рок, кантри, электроника, R&B и другая музыка школы быстро развивались, увеличилось количество и влияние музыкантов этих школ.
5. Модель измерения музыкального подобия
5.1. Принцип контролируемой модели классификации
Когда переменная ответа является двоичной, обычно используется модель логистической регрессии [24]. Переменная ответа представлена как, где, и принимает значение в метке элемента, которое является произвольным. Модель логистической регрессии использует линейную функцию предиктора для выражения условной вероятности класса:
или логарифмическую формулу квазиусловной вероятности:
Модель линейной логистической регрессии может быть расширена до многомерной логистической модели, когда переменная ответа классификации равна на уровне k > 2 .Традиционный метод заключается в расширении формулы логарифма условной вероятности модели регрессии двоичного логарифма до логарифма k — 1 .
Это вектор размерности коэффициента. Мы выбрали более симметричный подход. Наша модель выглядит следующим образом:
Если нет ограничений, параметризация не подлежит оценке. Поэтому мы регуляризуем модель максимального правдоподобия (полиномиальную). Другими словами, пусть и будет i -м откликом; мы оцениваем параметры, максимизируя вероятность логарифма штрафа.где y — матрица отклика индикатора размерности, а элементы —
5.2. Построение модели музыкального подобия
Мы используем многокритериальную логистическую модель [25] для построения индекса музыкального сходства, и конкретный процесс выглядит следующим образом: (i) принятие 20 музыкальных жанров в качестве зависимых переменных и музыкальных характеристик в качестве независимых переменных, многокритериальная цель логистическая модель построена для получения значения вероятности каждой музыки в 20 музыкальных жанрах. Затем мы выбираем жанры K с наибольшей вероятностью среди жанров, к которым, скорее всего, принадлежит каждая музыка, и устанавливаем; то есть, .(ii) Мы получаем музыку в шести музыкальных жанрах и вычисляем количество элементов на пересечении, и, наконец, получаем сходство.
Согласно этой точке зрения, каждый музыкальный жанр имеет свои собственные музыкальные характеристики, поэтому легко думать, что каждый музыкальный жанр можно рассматривать как законченную музыкальную особенность. Если два вида музыки очень похожи и их музыкальные характеристики должны быть очень похожими, первые шесть музыкальных типов с наибольшей вероятностью, полученной с помощью логистической модели, должны иметь совпадение с высокой степенью сходства.В качестве примера возьмем две песни «Эрни» и «Блуждающий глаз» музыканта 178301. С помощью многокритериального логистического анализа первые шесть типов с наибольшей вероятностью показаны в таблице 3.
artist_name artist_id main_genre Power Год
930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 Поп / Рок 8,26 E -42 1960
CNCO 3480388 Латинский 6.91 E -42 2010
Поп / рок 6.17 E -42 2010
Spin Doctors 10412 Pop / Rock 5,74 E -42 1980
The Oh Hellos 930 930 29635 930 3030 The Oh Hellos 5 930 930 / Rock 5.59 E -42 2010
Чит-коды 3 391 646 Электронные 4.20 E -42 2010
Поп / рок 3.67 E -42 2010
В одном направлении 2766592 Pop / Rock 3,56 E -42 2010
Люминиры 0 35630 930 930 930 930 930 / Рок 3,16 E -42 2000
Эд Ширан 2639 628 Поп / Рок 3,05 E -42 2000
Поп / рок 2.97 E -42 2010
Collie Buddz 476599 Reggae 2,88 E -42 2000
Chino & Nacho30 2000
Хуанес 245250 Latin 2,42 E — 42 1980
Джеймс TW 3 45135 7830 7830 Джеймс TW 3 45135 7830 7830 2.39 E -42 2010
Мэтт Натансон 385797 Pop / Rock 2,37 E — 42 1990
John Mayer 930 5 930 2,33 E — 42 1990
С уверенностью 3445208 Pop / Rock 2.23 E — 42 2010
Поп / рок 2.21 E -42 2000
Гвоздика 3460695 Pop / Rock 2.20 E -42 2010

930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930
Название музыки Шесть верхних фракций с наибольшей вероятностью
Эрни 6 8 11 14 15 16
Блуждающий глаз 6 8 11
Итак, их сходство равно 1.Можно сказать, что сходство этих двух музыкальных произведений все еще очень велико.
Кроме того, мы также можем использовать логистическую модель измерения сходства фоновой музыки для расчета сходства между музыкантами. Как показано на левом рисунке Рисунка 6, чем глубже цветовая экспрессия у разных музыкантов, тем ближе их музыкальные особенности, а это означает, что тем выше сходство между их музыкой.
5.3. Анализ случая
Музыкальные характеристики разных музыкантов влияют на расстояние между музыкантами, что также влияет на сходство между музыкантами.Итак, должны ли музыканты одного жанра быть более похожими, чем музыканты разных жанров? Чтобы изучить эту проблему, мы случайным образом выбрали 100 музыкантов из 5062 музыкантов и проанализировали сходство между музыкантами одного и того же типа и разными типами музыкантов. Результаты показаны на правом рисунке на Рисунке 7.

Из значения сходства между разными жанрами на Рисунке 7 видно следующее: вообще говоря, музыкальное сходство в рамках единого жанра обычно выше, чем между разными жанрами. .Сходство музыки между одним и тем же жанром составляет более 0,6, а выбор схожести до 1 обусловлен малым размером выборки, что приводит к небольшому количеству музыкантов, извлеченных из определенного жанра. Ее можно решить, увеличив образец. По некоторым жанрам они больше похожи на некоторые жанры, даже выше, чем схожесть внутри этого жанра. Например, сходство между вокальными музыкантами и музыкантами в стиле кантри составляет 0,65, что на 0 больше, чем между музыкантами в стиле кантри.64. Причиной этого явления изначально можно предположить, что вокальные музыкальные школы стали популярнее, чем музыка кантри, а музыкальные особенности вокальных музыкальных жанров имеют определенную основу. В развитии музыки кантри жанр вокальной музыки может получить больше ссылок из музыкального стиля жанра вокальной музыки, и они имеют большое сходство.
6. Анализ музыкальных школ
6.1. Принцип двунаправленной кластеризации
Цель двунаправленной кластеризации [26] — найти подматрицу, удовлетворяющую условию в матрице данных экспрессии генов, чтобы выражение набора признаков в подматрице согласовывалось на соответствующем наборе наблюдений.Это похоже на выбор лучшего подмножества в задаче регрессии. Так же, как проблема выбора наилучшего подмножества успешно решается путем решения задачи выпуклого суррогата (лассо), мы будем использовать задачу выпуклой расслабленной комбинации для выбора разбиения строк и столбцов. Затем модель двунаправленной кластеризации эквивалентна модели среднего значения шахматной доски, которая является исчерпывающей, поскольку каждый элемент матрицы назначается для двунаправленной кластеризации. Это отличается от других моделей двунаправленной кластеризации, которые идентифицируют возможные перекрывающиеся подмножества строк и столбцов, но не являются исчерпывающими.Оценка параметров модели шахматной доски включает разбиение и среднее значение каждого разбиения.
6.2. Процесс двунаправленной кластеризации
Мы определяем разбиение, минимизируя следующие выпуклые критерии: где J ,, и представляет -й столбец (строку) матрицы. Квадратичный член количественно определяет степень приближения к, а обычный член штрафует отклонение от шаблона шахматной доски. Параметры регулируют компромисс между двумя терминами и.
В этой статье алгоритм альтернативной минимизации (AMA), предложенный Чи Эриком и Ланге [27], используется для решения задачи выпуклой кластеризации. При увеличении коэффициента штрафа от малого к большому (1, 5,62, 31,62177,82) мы получаем процесс кластеризации на рисунках 8 (a) –8 (d).
Можно видеть, что с увеличением коэффициента штрафа U-матрица восстановленных x постепенно представляет общий узор шахматной доски. Далее мы смотрим только на результаты кластеризации со штрафным коэффициентом.
6.3. Анализ результатов двунаправленной кластеризации
Основываясь на громкости, валентности, энергии, темпе, танцевальности, речевости, живости, акустичности, продолжительности и инструментальности, классификация 20 различных музыкальных школ показана на рисунке 9.

Согласно По результатам двунаправленной кластеризации 20 различных музыкальных жанров разделены на 5 групп. Согласно сравнению ритмов, сходства и различия пяти музыкальных характерных ценностей: латиноамериканская, кантри, детская, регги, блюз, поп / рок, R&B, электроника и религия — все они имеют хороший ритм и положительную жизненную силу.Есть очевидное сходство между интернациональной, народной и вокальной музыкой, каждая из которых имеет определенное чувство ритма и умеренную общую громкость. Сравнивая звук, продолжительность и музыкальные инструменты, мы можем увидеть очевидное сходство между классическими музыкальными школами, школами новой эры, сценической и экранной музыки с аналогичным репертуаром и более высоким уровнем владения музыкальными инструментами. Точно так же легкое прослушивание очень похоже на джаз тем, что в их репертуаре есть определенный вокал. Комедийный / разговорный английский разделен на группы.Среди 19 музыкальных школ только комедия / устная речь имеет положительные ценности дискурса и живости, что указывает на то, что комедия / устная речь — это музыкальная школа устной речи или чтения стихов для аудитории.
7. Влияние последователей
7.1. Принцип фактического влияния
Музыкант может перечислить дюжину или более музыкантов, оказывающих на него влияние. ICM предоставляет нам набор данных, включая влияние на их отношения со своими последователями.Но действительно ли эти влиятельные музыканты влияют на музыку, которую создают их последователи? Чтобы дополнительно изучить влияние влиятельных лиц на подписчиков, мы используем набор данных об отношениях между влиятельными лицами и подписчиками, а также матрицу сходства между музыкантами, чтобы построить матрицу, которая может отфильтровать фактическое влияние.
Во-первых, матрица M of 0-1 строится с использованием набора данных, где 0 представляет отсутствие связи между двумя музыкантами, а 1 представляет отношения между двумя музыкантами.Например, мы можем установить M следующим образом:
Затем матрица подобия между 5602 музыкантами используется для построения матрицы 0-1; то есть, когда элементы в матрице подобия между музыкантами больше, чем пороговое значение, соответствующий элемент положения матрицы принимается равным 1; в противном случае, когда они не превышают пороговое значение, соответствующий элемент положения матрицы принимается равным 0. В сочетании с предыдущими исследованиями мы устанавливаем порог подобия равным 0.8. Например, преобразование из матрицы подобия в матрицу P составляет
. Наконец, новая матрица получается путем умножения соответствующих элементов матрицы 0-1 и матрицы. Смысл каждого элемента в матрице следующий: наложение сходства и влияния двух музыкантов, которое мы определяем как реальное влияние. Если между двумя музыкантами нет взаимосвязи влияния, фактическое влияние равно 0. Если существует взаимосвязь влияния между двумя музыкантами, фактическое влияние зависит от того, превышает ли сходство между ними пороговое значение.Когда сходство больше порога, между двумя музыкантами существует реальная взаимосвязь влияния.
7.2. Анализ случая
Мы случайным образом выбрали 5602 музыканта и взяли в качестве примера музыканта с ID 816890 (Джонни Кэш). На основе набора данных о взаимодействии и сходстве между музыкантами с ID 816890 (Johnny Cash) и другими музыкантами строится матрица отбора фактического влияния. Наконец, мы нашли музыкантов, которые действительно повлияли на него, как показано в таблице 4.
930 Эрли
Artist_id Artist_name
190 946 3030 Lefty Frizzell 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 Братья Лувин
74970 Боб Уиллс
662800 Хэнк Сноу
198901 Уэбб Пирс
200775 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 Карл Смит
Получив ID 816890 (Johnny KASH) настоящего влиятельного музыканта, мы подумали о следующем: имеют ли музыканты, которые действительно влияют на Johnny KASH, более «заразительные» музыкальные характеристики, или все ли они играют одинаковую роль во влиянии на музыку Johnny KASH? Чтобы исследовать эту проблему, мы сделали следующее.
Во-первых, мы получаем нормализованные данные для музыкантов с ID 816890 (Johnny Cash) и музыкальные характеристики, которые действительно влияют на его музыкантов, как показано в таблице 5.
930 0,525 930,9035 930,30 -03001335 930 930 930 930 930 930 930 930 930 930930 930 930 930 930 930 930 930 930 0,635 930 930 930 930 816 9303 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 1,1270 9301 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 30 1,196 930 930 935 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 198
artist_name artist_id Танцевальность Энергия Валентность Темп Громкость
Левша Фриззел 190 946 0.817 −1,389 0,722 −0,148 −0,664
Джон Ли Хукер 815 039 0,482 −1,135 0,482 −1,135 0,469 930 930 930 930 930 0,2930 0,229 930 Братья 45 057 0,372 -1,370 0,655 0,098 -0,293
Боб Уиллс 74970 0,367 −0,042
Hank Snow 662800 0,208 −0,619 0,798 −0,256 −0,506b30
−0,830 1,193 −0,611 −0,142
Эрнест Табб 200 775 1,232 −0,852 1,209 9305 035 930 0,2653
Карл Смит 163 198 1,307 −0,697 2,037 −0,942 −0,327
Джонни кэш −0.285 −0.409
artist_name artist_id Акустичность Инструментальность Живость 1.382 −0,539 −0,294 −0,453 —
Джон Ли Хукер 815 039 1,147 −0,415 −0,354 930 930 930 930 930 930 930 930 930 930 930 Братья 45 057 1,222 −0,564 −0,286 −0,496 —
Боб Уиллс 74970 −0,30 −0,30256 −0,160 —
Хэнк Сноу 662800 1,425 −0,014 −0,079 −0,458 — 19835
−0,554 0,460 −0,514 —
Эрнест Табб 200 775 −0,563 −0,146 1.127 −0,564 −0,995 −0,374 —
Джонни Кэш 816 890 1,176 −0,466 0,405 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930
Затем вычисляется сумма абсолютных расстояний последователей с ID 816890 на девяти музыкальных объектах. Например, для танца музыкальных элементов мы получаем сумму абсолютных расстояний:
Для девяти элементов сумма рассчитанных абсолютных расстояний показана на рисунке 10.

Наконец, посмотрим на рисунок 10. Мы обнаружили, что по сравнению с другими музыкальными функциями сумма абсолютных расстояний между акустикой и инструментами очень мала. Музыкальная гармония — это две музыкальные характеристики, и музыкант с идентификационным номером 816890 реально влияет на эти две характеристики.
8. Эволюция музыки
8.1. Анализ характеристик революции
В процессе эволюции музыки некоторые революционные изменения в характеристиках музыки могут привести к значительному скачку в эволюции музыки [28, 29].Итак, какие музыкальные характеристики являются революционными в данных? Чтобы найти революционные характеристики музыки, мы проделали следующую работу.
Мы используем набор данных «data_by_year» для анализа колебаний различных музыкальных характеристик с 1921 по 2020 год. Чтобы исключить влияние уровня значения переменной и различных единиц измерения на значение измерения степени дисперсии, мы выбираем использовать коэффициент дисперсии для анализа колебаний музыкальных характеристик.Формула расчета выглядит следующим образом:
Мы вычисляем коэффициенты дисперсии десяти музыкальных характеристик и устанавливаем порог 0,5. Тогда, когда коэффициент дисперсии музыкального элемента больше 0,5, это будет в определенной степени революционным. Коэффициент дисперсии каждого музыкального элемента показан в Таблице 6.
932 681 9000 см. , инструментальных и речевых музыкальных функций больше 0.5 — революционная музыкальная функция.
8.2. Влияние серьезных изменений
Характеристики революционной музыки часто отражаются в песнях, созданных музыкантами. Итак, есть ли в направленной сети влияния музыкантов музыканты со значительным влиянием, которые повлияли на серьезные изменения? Чтобы выяснить это, мы проделали следующую работу.
Во-первых, мы получаем тенденцию изменения акустики, инструментальности и речевости с 1921 по 2020 год.
Из рисунков 11–13 видно, что акустика сильно изменилась в 1926, 1927, 1929, 1930 и 1946 годах. В 1924, 1929 и 1946 годах произошли большие изменения в инструментальности. В 1929, 1930 и 1935 годах речь сильно изменилась.

Во-вторых, мы принимаем значение трех революционных музыкальных характеристик за стандарт, когда они сильно изменились, и ищем песни с наименьшим абсолютным расстоянием между музыкальными характеристиками и стандартным значением в соответствующие годы .В 1924, 1926, 1927, 1929, 1930, 1935 и 1946 годах было найдено в общей сложности 10 треков с революционными характеристиками применения (как показано в Таблице 7).
Музыкальные характеристики Танцевальные способности Энергия Валентность Темп 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 Коэффициент дисперсии 0.096 807 841 0,361 115 449 0,108 866 04 0,049 593 269 0,262 817 345
Музыкальные характеристики Акустичность Инструментальность Динамичность 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 0,510 496 275 0,674 553721 0,087 120 516 0,651 898 231 0,111 358 323

Абсолютное расстояние 930 930 930 930 930 930 930 Абсолютное расстояние 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930.023 930 0.002 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930
Год Artist_id Акустичность Instrumen-talness Speech-iness Абсолютное расстояние1
1924 26 350 ≤0.001 0,681 ≤0,001 ≤0,001 0,097 ≤0,001 Симфония No. 39 ми-бемоль мажор, K. 543: IV. Финал. Аллегро
1926 639789 0,921 ≤0.001 ≤0.001 0.180 ≤0.001 0.180 ≤0.001 403120 0.940 ≤0.001 ≤0.001 0.005 ≤0.001 ≤0.001 Sweet Sue, Just you — Live
930 935 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 0,182 0,403 0,748 0,303 Прелюдии: соч. нет. ^∗ ля минор
765773 0,992 0,734 0,143 0.400 0,515 0,342 Вот так плотно
1930 898336 0,952 ≤0,001 0,0792 ≤0,001 0,0730 930 930 930 930 930 930 930 930 930 930 930 930 930 Я путешествую по
1935 5
≤0.001 ≤0.001 0.332 ≤0.001 ≤0.001 Песни отшельника, соч. церковный колокол
162677 ≤0.001 0.493 ≤0.001 ≤0.001 ≤0.001 Оставайтесь на нем
0,925 ≤0,001 ≤0,001 0,001 ≤0,001 ≤0,001 для наблюдения за Me-Remastered
930 характеристики в 1924 году не входят в структуру «impact_data», поэтому мы искали похожие следы в последние несколько лет.Итак, в 1921 году мы обнаружили, что репертуар, созданный музыкантом ID 26350, наиболее близок к революционной музыке.
Наконец, в соответствии с репертуаром с характеристиками революционной музыки, мы определяем музыкантов, которые создают этот репертуар, и рассчитываем их музыкальное влияние через направленную сеть влияния музыкантов. Результаты представлены в таблице 8.
930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 1927 E — 44 930 1946 9302 30 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930
E -43
год Var Value Artist_id main_genre Power
0.583954695 26350 Классический 5,31 E — 44
1926 Акустичность 0,740 919 594 639789 Jazz30 Акустичность 0,934 606 323 403120 Вокал 7,66 E — 44
1929 0,591 110 509 930 930 930 930 930 930 930 930 930 930 930 930 930

1929 Инструментальность 0,219 461 260 954 694 Вокал 5,31 E — 44
1
735 930 930 930 930 930 930 930 930 930 930 773
Jazz 5,31 E — 44
1930 Речь 0,079 702370 898 336 Блюз 5,31 E 9330 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 0.943 474 167 794 401 Pop / Rock 5,77 E — 44
1935 Речь 0,354 805 122 181 694 0 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930 930
1946 Акустичность 0,924 216926 792 507 Вокал 1,47 E — 43
Инструментальность
8.3. Эволюция музыкальных школ
8.3.1. Метод спуска координатной оси для решения регрессии лассо
Лассо — это линейная модель для оценки разреженных коэффициентов. Он имеет тенденцию выбирать решения с меньшим количеством ненулевых коэффициентов, что эффективно уменьшает количество функций, от которых зависит данное решение. При определенных условиях лассо может точно восстановить набор ненулевых коэффициентов [30].
Математически он состоит из линейной модели и дополнительного члена регуляризации. Целевая функция минимизации выглядит следующим образом:
Таким образом, оценка лассо решает проблему минимизации штрафа методом наименьших квадратов путем добавления, где является константой и составляет L 1 норму вектора коэффициентов.
Lasso использует метод спуска координатной оси в качестве алгоритма подгонки коэффициентов. Метод спуска по координатной оси заключается в спуске по направлению координатной оси, который отличается от градиентного спуска.Он шаг за шагом выполняет эвристический метод поиска минимального значения функции.
8.3.2. Регрессия лассо
Чтобы проанализировать процесс влияния определенного музыкального жанра с течением времени, мы используем регрессию лассо, чтобы отсеять индикаторы, которые могут выявить факторы динамического влияния, а затем изучаем, как музыкальный жанр и музыканты меняются с течением времени [31] .
Во-первых, в наборе данных исполнителя используются нормализованные данные. Независимая переменная задается как музыкальные характеристики музыканта, а зависимая переменная устанавливается следующим образом:
Результаты регрессии лассо следующие:
Она показывает влияние трех независимых переменных, а именно валентности, громкости и т. Д. и акустика от зависимой переменной. y более значимы, что может выявить динамические влиятельные лица.
Во-вторых, мы случайным образом выбираем музыканта и анализируем изменение во времени по результатам регрессии лассо. Мы выбрали музыканта с идентификационным номером 26350. На рисунках 14–16 показаны изменения трех музыкальных характеристик музыканта: валентности, громкости и акустичности с течением времени.

Как видно из рисунков 14–16, валентность музыканта с ID 26350 колеблется от 0 до 0.8, но в большинстве случаев он будет оставаться в пределах от 0,2 до 0,5. Его громкость постепенно уменьшалась с течением времени, но все еще оставалась в обычном диапазоне. Его акустика колеблется со временем, но интенсивность колебаний очень мала и обычно остается относительно стабильной. Только несколько раз будут относительно большие колебания.
Наконец, мы выбираем любой жанр и используем тот же метод для анализа его изменений с течением времени. Мы выбираем тип музыки кантри, и три музыкальные особенности меняются со временем, как показано на рисунках 17–19:

Из рисунков 17–19 мы находим, что валентность жанра музыки кантри показывает тенденция к снижению с течением времени от 0.65 до 0,5, что указывает на то, что стиль кантри меняется с веселого на грустный. Громкость музыки кантри со временем увеличивается, но диапазон изменения невелик и поддерживается на уровне примерно -10. Акустичность кантри с каждым годом снижалась с 0,7 до 0,2, что сильно изменилось.
9. Анализ чувствительности
В вопросе 6 мы используем регрессию лассо для просмотра переменных, где мы устанавливаем штрафной коэффициент на 0,1, и полученная формула выглядит следующим образом:
Теперь мы обратимся к эмпирическому исследованию [32] , установите штрафной коэффициент равным 0.01 как 0,08, 0,09, 0,1, 0,11 и 0,12, и проверить изменение коэффициента регрессии в различных соответствующих формулах результатов. Наконец, мы строим результат в виде линейной диаграммы, как показано на рисунке 20.

Можно видеть, что с увеличением штрафного коэффициента коэффициент регрессии плавно изменяется, и нет сильной вибрации, что указывает на то, что наша модель не чувствительна к штрафному коэффициенту и имеет хорошую устойчивость.
10. Заключение
Основываясь на PageRank, эта статья устанавливает сеть динамического анализа музыкального влияния с использованием 11 показателей музыкальных характеристик и анализирует музыкальное влияние разных жанров и музыкантов.Используя многокритериальную логистическую регрессию для создания модели измерения музыкального сходства, в этой статье анализируется музыкальное сходство между разными жанрами и музыкантами в сочетании с сетями музыкального влияния, чтобы проанализировать, будет ли взаимодействие между музыкантами иметь практическое влияние на их произведения. В то же время, с точки зрения музыкальных жанров, с использованием метода двусторонней кластеризации, в данной статье анализируется взаимное влияние и сходство между разными музыкальными жанрами и одним и тем же музыкальным жанром.Наконец, метод области лассо используется для выбора характеристик, изучения факторов изменения в процессе развития музыки и анализа процесса динамического изменения музыки [33–36].
В этой статье мы выбираем многокритериальную логистическую регрессию, двунаправленную кластеризацию и другие методы; эти методы обладают высокой точностью и просты для понимания. Между тем, в этой статье используются инструменты визуализации для многократного облегчения анализа, что помогает интуитивно воспринимать и обрабатывать информацию.Но анализа этой статьи также недостаточно. В процессе построения индекса подобия, по сравнению с прямым вычислением расстояния, вычислительная сложность выше, и требуется больше времени вычислений при наличии большого количества данных. Из-за доступности и количественной оценки данных в этом документе не используются в полной мере некоторые отдельные музыкальные особенности.
В работе по улучшению модели мы уменьшим ошибку, увеличив количество переменных и выборок, и проанализируем недостатки, которые могут вызвать ошибку в аспектах обработки данных, построения модели и решения модели.Чтобы построить модель, которая может анализировать больше музыкальных функций (в том числе виртуальных), мы собираем больше информации о музыкантах, расширяем количество объектов анализа и делаем модель более универсальной в практическом применении.
Подводя итог, мы используем сетевую науку для построения динамической сети для анализа сходства музыки, процесса эволюции и влияния музыки на культуру. Результаты наших исследований могут предоставить теоретическую основу для оценки влияния различных музыкальных школ и иметь определенное исследовательское значение и практическую ценность в области музыки, истории, социальных наук и практики.
Доступность данных
Данные, использованные для подтверждения результатов этого исследования, включены в статью.
Конфликт интересов
Авторы заявляют об отсутствии конфликта интересов в отношении публикации этой статьи.
Выражение признательности
Это исследование финансировалось Общим проектом планирования философии и социальных наук провинции Аньхой: Исследование государственных субсидий на НИОКР, способствующих экологической эффективности инноваций в высокотехнологичных отраслях Аньхоя (№: AHSKY2019D085), Проект фонда обучения и исследований Департамента образования провинции Аньхой (2020jyxm0017), «Первоклассный курс» Финансово-экономического университета Аньхой (acylkc202008) и Проект учебно-исследовательского фонда Финансово-экономического университета Аньхой (acjyyb2020011 и acjyyb2020014).
Звуки музыки в XXI веке
Другие наследники модернистского наследия отказались идти на компромисс, пребывая в диссонансе и затруднениях. В восьмидесятых годах прошлого века композитор Брайан Фернейхо, родившийся в Британии и проживающий в Америке, был назван аватаром Новой Сложности, и хотя Фернейхо никогда сам не использовал этот термин, он отражает чрезвычайную плотность его музыки — дотошный хаос нагромождений. ритмы, противоречивые мелодические линии и распадающиеся формы.Резерфорд-Джонсон фиксирует этот эффект: «То, как Фернихоу намеренно переполняет свою музыку информацией, запуская и перезапуская ее каждые несколько секунд, чтобы создать перегрузку восприятия, препятствует способности памяти создавать значимую структуру. . . . Раз за разом то, что мы только что услышали, отодвигается на задний план тем, что следует далее ». Это очень современный опыт, который со всех сторон соответствует темпу видеоигр и социальных сетей. Неудивительно, что Фернихау оказал огромное влияние на композиторов, достигших совершеннолетия с 1989 года.
Большая часть модернистской музыки двадцатого века звучала как — и фактически была — результатом предопределенного процесса, разработки утопической или математической идеи. Современные модернисты, будь то чувственные или спастические, менее озабочены методом: их музыка имеет тенденцию к тактильной непосредственности. Одна из ярких фигур — композитор израильского происхождения Хая Черновин, которая училась у Фернихау и сама стала прекрасным учителем. Резерфорд-Джонсон говорит о своей опере 1999 года «Пнима», что слушатели могут почувствовать проигрываемых нот «как различные формы истирания и давления»: «давление воздуха на расширяющиеся губы, волоски смычка, скользящие по струнам, ощипывание и скольжение кончиков пальцев. .Хотя ее музыка мрачна и непреклонна и написана в тени травмы — «Пнима» — о молодых поколениях, которые примирились с Холокостом, — в этом нет ничего сухого или церебрального. Черновин составляет отрицательную красоту катастрофы; это музыкальный эквивалент «Герники» Пикассо или «Маргарет» Ансельма Кифера.
«Когда коалы пробуют вкус акулы, они никогда не вернутся к эвкалипту».
Современная классическая музыка омрачена тем, что можно было бы назвать проблемой Кандинского. Художникам-модернистам, писателям и режиссерам было гораздо легче найти широкую аудиторию, чем композиторам.Кандинский создает сцены мафии в музеях; простое появление имени Шенберга в концертной программе может снизить посещаемость. Хотя композиторы не заслуживают вины за такое положение вещей — консервативные институты в корне виноваты, создав враждебную атмосферу для новой музыки еще в середине девятнадцатого века — непостижимые программные ноты и властное отношение не ослабили противостояния между артистами. и аудитория. Модернисты-миллениалы склонны придерживаться иной тактики. Тревор Бача, один из американских учеников Черновина, говорит о своих впечатляющих оценках: «Я пишу, потому что чувствую эмоциональное побуждение писать — придавать форму фантастическим или невозможным цветам и формам как звуку и как удовольствие — и, тем не менее, когда я напишите, я хорошо осведомлен о том, что настраиваю и разбираю код.. . . Я отвергаю любую дихотомию, противопоставляющую аналитическое эмоциональному «.
Резерфорд-Джонсон не заинтересован в создании нового канона великих людей или великих женщин, продолжающих сагу о героических музыкальных нововведениях. (Удушающая мужественность музыкальной истории подошла к концу, даже если новости еще не дошли до большинства крупных оркестров и оперных театров.) Вместо этого он представляет децентрализованную, демократизированную сцену, в которой известные имена сталкиваются с фигурами, которые могут быть непонятны даже для фанатиков.На чтение его книги у меня ушло несколько месяцев, так как я остановился, чтобы поискать в Интернете свидетельства вроде «Ненастроенного фортепианного концерта с дорожным оркестром Дели» (2006 г.) Синтии Завен, в котором композитор хрипло импровизировал на кузове грузовика, проезжающего по Нью-Йорку. Дели.
По словам Резерфорда-Джонсона, композиторы — это не замкнутые монахи, а настроенные социальные существа, которые реагируют на культурное давление. Книга построена вокруг множества таких сил: позднекапиталистическая экономика, ломка жанров, сексуальное освобождение, глобализация, Интернет, защита окружающей среды, травмы войны и террора.Переходя от страны к стране и от континента к континенту — в книгу входят не только британские, американские, французские и немецкие композиторы, но также ливанские, филиппинские и азиатско-австралийские композиторы — Резерфорд-Джонсон проводит музыкальную версию Венецианской биеннале. В качестве теоретической основы он принимает понятие «радикальной» эстетики куратора и критика Николя Буррио — радикальный — это ботанический термин, обозначающий организмы без единого корня, такие как плющ.
Привлеченный к концептуальным крайностям, Резерфорд-Джонсон посвящает много страниц работам, которые расширяют радикальные эксперименты Джона Кейджа.Многие из описываемых им пьес состоят в основном из устных инструкций и граничат с упражнениями в медитации. Питер Аблингер написал ряд композиций, которые включают в себя фотографии, висящие на стене галереи, или стулья, расставленные в разных местах, например, на парковке или на пляже. Музыка становится, как в «4’33» Кейджа, тем, что случается услышать в пространстве. Партитура Дженнифер Уолш « THIS IS WHY PEOPLE OD ON PILLS / AND JUMP FROM THE GOLDEN GATE BRIDGE » начинается с Инструкция «Учись кататься на скейтборде, но примитивно.«Исполнителей просят овладеть азами этого вида спорта, а затем воссоздать этот опыт, играя на любом инструменте, который попадется под руку.
Какое отношение все это имеет к выдающейся музыкальной композиции? С этим неизбежным вопросом снова всплывает проблема Кандинского. В мире искусства инстинктивный антагонизм по отношению к новому, странному и абсурдному менее распространен. Люди не думают о том, чтобы стоять в очереди часами, чтобы сесть в кресло напротив Марины Абрамович, или пробираться ощупью через туманный туннель, спроектированный Олафуром Элиассоном.Действительно, композиторы часто могут найти более благодарную аудиторию, если они переклассифицируют свою музыку как инсталляцию или как перформанс. Уолш — увлекательный промежуточный случай: ее каталог включает восхитительно сбивающую с толку группу манифестов, партитур, произведений искусства и записей, которые якобы задокументированы ирландским дадаистским коллективом под названием GRÚPAT . Коллектив полностью изобретен Уолше. GRÚPAT работ были представлены в основном в музеях и галереях.
Превосходное мастерство может дать новые виды красоты.Такова история международного композиторского коллектива, известного как Wandelweiser, многие из творений которого настолько суровы, что испытывают терпение даже хардкорных авангардистов. «2003 (1)» Манфреда Вердера просит трио исполнителей издавать только два звука во время исполнения неопределенной длины; одна сохранившаяся запись длится семьдесят минут. Как написал в своем блоге Резерфорд-Джонсон, такая партитура является «утопической экстравагантностью», но она освобождает место для такой пьесы, как Третий струнный квартет Юрга Фрея, шепотливой процессии хрупких великолепных аккордов.Музыка Ванделвайзера, кажется, воплощает философию пассивного сопротивления. В культуре, перегруженной информацией, наиболее революционным актом могло бы быть то, чтобы говорить как можно меньше, как можно тише, как можно медленнее. (Спектакль Джона Кейджа «Как можно медленнее» в настоящее время исполняется в церкви в Германии; он начался в 2001 году и должен закончиться в 2640 году.)
Эстетика тишины двадцать первого века часто пересекается с местными инсталляционные работы, выходящие за пределы концертного зала и сливающиеся с окружающей средой.Резерфорд-Джонсон исследует жанр «звуковой прогулки», в которой композитор курирует путешествие по определенному звуковому ландшафту. Полевые записи — популярный способ вспомнить места, особенно те, которые находятся под угрозой изменения окружающей среды. Аннеа Локвуд создала «звуковые карты» рек Гудзон, Дунай и Хаусатоник; «Сельва» Франсиско Лопеса — это завораживающая семидесятиминутная ткань звуков тропических лесов Коста-Рики. Родственный жанр — это то, что Резерфорд-Джонсон называет «формой путешествия».В 2016 году перкуссионист Пэйтон Макдональд исполнил тридцать произведений, совершив 25-километровую велосипедную поездку из Мексики в Канаду по континентальному водоразделу. Такие проекты часто имеют политическую подоплеку. Когда мы перестаем использовать музыку в качестве щита для шумоподавления — когда мы чутко прислушиваемся к миру природы — мы регистрируем, какой урон мы наносим.
«Музыка после грехопадения» была бы скучной книгой, если бы она устраивала всех, а не все меня. Резерфорд-Джонсон непоследователен в том, как он обращается с композиторами, которые вернулись к той или иной форме тональности.Некоторые, такие как Джон Адамс, изображаются как ориентированные на рынок художники, торгующие ностальгическим неоромантизмом. Других хвалят за «личное исследование выразительных и формальных ограничений музыкальных материалов». Непонятно, как можно на расстоянии решить, какие внутренние побуждения движут тем или иным композитором. Также не обязательно, чтобы чистые или нечистые мотивы приводили к лучшей или худшей музыке. А Адамс едва ли соответствует профилю ностальгического сводника; в противном случае он бы не написал «Смерть Клингхоффера», самую политически вызывающую разногласие оперу последних десятилетий.Резерфорд-Джонсон занимает более твердую позицию, когда замечает, что немногие художники попадают в бинарную позицию «сопротивления рынку или его принятия». По обе стороны от прочного тонально-атонального разрыва большинство композиторов в лучшем случае зарабатывают себе на жизнь.
Резерфорд-Джонсон прав, утверждая, что рыночные силы привели к подъему благозвучных оценок, ориентированных на аудиторию. Тем не менее, должно быть место для принципиального популизма — произведения, которые выходят на арену оперы, симфонической музыки, музыки к фильмам и музыкального театра не для того, чтобы задобрить, а чтобы спровоцировать.Авангардная работа, посвященная женоненавистничеству и культуре изнасилований, вряд ли вызовет много разногласий среди столичных ценителей. Но когда опера Мисси Маццоли 2016 года «Разбивая волны», грубо выразительная адаптация фильма Ларса фон Триера, ставит такие вопросы перед более широкой публикой, напряжение становится ощутимым. Атмосфера становится еще более напряженной, когда Маццоли использует жесты Пуччини, Яначека и Бриттена, в которых женщины имеют ограниченную свободу действий или почти не существуют.
Еще одна размытая область карты Резерфорда-Джонсона — для которой может потребоваться еще одна книга — это территория, где экспериментальные композиторы пересекаются с менее популярными представителями популярной музыки.В его вводном обсуждении деятелей эпохи 1989 года стоит особняком: Масами Акита, который записывается под именем Мерзбоу. В отличие от других, Акита никогда не проходил формального обучения классике, и его огромный вклад выражается не в партитуре, а в студийных и живых записях. Тем не менее решение включить его имеет интуитивный смысл. Что разделяет Акита с нотными композиторами, доминирующими в «Music After the Fall», так это его удаленность от центра: шумовая музыка по своей природе является андерграундной культурой. Для многих Мерцбоу и Хая Черновин могут звучать примерно одинаково, несмотря на очевидные различия в опыте и методах композиторов.Они и есть Другая музыка — если позаимствовать имя любимого, ныне ушедшего из магазина Ист-Виллиджа, в котором были такие релизы, которых вы не могли найти в Tower Records.
Но если шумовые музыканты принадлежат к повествованию Резерфорда-Джонсона, то же самое и бесчисленное множество других противоположно настроенных артистов. Видное место должна занимать линия фри-джаза и «великой черной музыки», восходящая к Орнетт Коулман, Сесил Тейлор и Энтони Брэкстон. Композитор и мультиинструменталист Тайшон Сори, заслуженный обладатель стипендии MacArthur Fellowship в прошлом году, демонстрирует жизнеспособность этого направления в молодом поколении.Он пишет в промежутках между классикой и джазом; его музыка сочинена и импровизирована. Такие артисты также отказываются играть проблемную роль, которую белая Америка склонна отводить черным музыкантам: роль искупительного массового артиста. Ученый-композитор Джордж Э. Льюис заметил, что идея черного авангарда — или, если на то пошло, черного классического композитора — часто рассматривается как противоречие в терминах. Присуждение Пулитцеровской премии Ламару широко приветствовалось, но выбор авангардистского Генри Тредгилла двумя годами ранее в значительной степени игнорировался.
Почитание музыкального канона слишком легко приводит к созданию своего рода интеллектуального тематического парка, торгующего ностальгией по полумифическому прошлому. Однако традиция может также способствовать восстанию против квазитоталитарной поп-культуры, которая подчиняет всех одинаковому набору продуктов. Резерфорд-Джонсон упоминает «нечто неопределенное» в западной классической традиции, которое привлекает творческих музыкантов со всего мира, даже если они в конечном итоге восстают против этой традиции. Чем больше они отвергают прошлое, тем больше отдают ему должного.В сентябре этого года в Нью-Йоркском филармоническом оркестре состоится премьера оперы Эшли Фур «Нить» для оркестра, солистов-инструменталистов и певцов. Некоторые члены гала-публики могут извиваться от ярких аккордов Fure и искаженных статичных инструментальных текстур. Когда в конце программы они встают, чтобы приветствовать «Весну священную», им следует помнить, что они аплодируют вчерашнему неслышному шуму.
Обновлено: 14.11.2021 — 14:46
← Предыдущая запись
Следующая запись →
Добавить комментарий Отменить ответ
Ваш адрес email не будет опубликован. Обязательные поля помечены *
Комментарий *
Имя *
Email *
Сайт

Найти
Найти:
Свежие записи
Биржа coincheck: Bitcoin and cryptocurrency exchange. Buy, sell, and margin trade cryptocurrency.
Изобретатель биткоина: Создатель биткоина стал одним из богатейших людей мира: 15 апреля 2021, 11:56
Капитализация рынка: Капитализация рынка криптовалют впервые превысила $2 трлн :: РБК.Крипто
Как создать bitcoin кошелек: пособие для чайников 2021 — Крипто на vc.ru
Ферма для майнинга asic: Ошибка 404. Страница не найдена — Объявления на сайте Авито
Свежие комментарии
Мета
Войти
Лента записей
Лента комментариев
WordPress.org
2019. Все права защищены. Карта сайта

conspi.ru - Конспирология - Теория заговора

Калькулятор майнинга биткоин с учетом сложности сети

Как начать майнить: простые советы для новичков.

Железо.

Выбор криптовалюты.

Разбираемся с кошельком.

Выбираем Пул.

Софт и его настройка.

1 млн транзакций в Ethereum и делистинг Bittrex :: РБК.Крипто

Особенности майнинга с Whalesburg — ПрофитГид

Основные преимущества Whalesburg

Регистрация

Работа с пулом

Выплаты

Контакты

Итоги

Калькуляторы доходности криптовалют и окупаемости оборудования для добычи (GPU видеокарты и ASIC майнеры)

Musicoin — как зарегистрироваться и выложить свою музыку — Уроки игры на пианино – видео курсы пианино и фортепиано онлайн — MuzVideo2.

Musicoin – как зарегистрироваться и выложить свою музыку

Как работает Musicoin

Шаризм

Валюта

Смарт-контракты

Musiconomy

Будущий потенциал

Musicoin Project V2.0 | автор: Musicoin

[PDF] Появление сложных сетевых паттернов в музыкальных сетях

[PDF] Возникновение и эволюция сетевой структуры в рок-музыке ¨ Омер Юксель

(17000949 0,09) (15617)

Математика | Бесплатный полнотекстовый | Алгоритм динамического ранжирования влияния на основе социальной и личной информационной сети музыкантов

1.Введение

2. Связанные работы

3. Методология

3.1. Описание символов

Наборы данных

3.2. Модель оценки влияния

3.2.1. Индивидуальное влияние оценки PageRank

3.2.2. Коллективное влияние оценки MQRT

3.3. Модель оценки сходства музыкальных функций

4. Эксперимент

4.1. Эксперимент «Влияние музыкантов»

4.2. Эксперимент по музыкальному подобию

4.3. Сравнение рейтингов музыкальных алгоритмов

6. Выводы

Количественный анализ всестороннего влияния музыкальной сети на основе логистической регрессии и двунаправленной кластеризации

1. Введение

2. Источники данных и основные предположения

3.Исследовательский анализ данных

3.1. Исследование значения потери данных

3.2. Стандартизация данных

3.3. Анализ переменных

4.1. Принципы PageRank

4.2. Расчет влияния музыки

4.3. Анализ результатов расчетов

5. Модель измерения музыкального подобия

5.1. Принцип контролируемой модели классификации

5.2. Построение модели музыкального подобия

5.3. Анализ случая

6. Анализ музыкальных школ

6.1. Принцип двунаправленной кластеризации

6.2. Процесс двунаправленной кластеризации

6.3. Анализ результатов двунаправленной кластеризации

7. Влияние последователей

7.1. Принцип фактического влияния

7.2. Анализ случая

8. Эволюция музыки

8.1. Анализ характеристик революции

8.2. Влияние серьезных изменений

8.3. Эволюция музыкальных школ

8.3.1. Метод спуска координатной оси для решения регрессии лассо

8.3.2. Регрессия лассо

9. Анализ чувствительности

10. Заключение

Доступность данных

Конфликт интересов

Выражение признательности

Звуки музыки в XXI веке

Добавить комментарий Отменить ответ