質問の概要
テーマとしての音楽に関するグラフモデリングの問題には、特定のグラフアルゴリズム（オペレーションズリサーチ、グラフニューラルネットワーク）、グラフデータベース（Neo4.j、Nosql、グラフなど）、および知識グラフ（これはあまり理解されていませんが、問題を解決するための基盤です
問題の背景
多くの曲が似たようなメロディーを持っており、多くのアーティストが音楽ジャンルの大きな変化に貢献しています。これらの変更は、あるアーティストが別のアーティストに影響を与えていることが原因である場合があります。時にはそれは外部の出来事（主要な世界の出来事や技術の進歩など）に応じた変化です。
チームが音楽の影響を測定するためのモデルを開発することを願っています。この質問では、アーティストとジャンルの進化と革命的な傾向を調べる必要があります。
満たす必要があります
オンラインで音楽の影響を理解するためにあなたの方法を使用することの価値を説明する1ページの文書をICM協会に書いてください。これらの2つの問題のあるデータセットが特定のタイプに限定されていることを考えると、これら2つのデータセットによって共有されるアーティストにとって、あなたの作品やソリューションは、より多くの、またはより豊富なデータでどのように変化しますか？音楽とその文化への影響をさらに研究することをお勧めします。音楽、歴史、社会科学、技術、数学の分野からの学際的で多様なICM協会は、あなたの最終報告を楽しみにしています。
当初は音声ファイルだと思っていましたが、おもしろいです。後で詳しく調べてみると、それがcsvに直接与えられていることがわかりました。その後、背景を変更するだけで、データ分析の問題に直接なります。最初の3つの質問は、主に類似性を分析し、問題を解決するための類似性インデックスを確立することです。クラスタリング後のサンプル距離など、類似性を測定するものはたくさんありますが、包括的な評価方法を自分で統合することもできます。データ分析の最も重要な部分は特徴工学です。特徴工学が行われた後、大きな問題は解決され、残りは言語モデリングと芸術的モデリングです（強調、はい、Meisaiは芸術的モデリングであり、標準的な答えはありません。全国大会よりもはるかに簡単）
類似性モデリングでは、特にユークリッド距離、ピアソン相関係数、谷本係数などを使用できます。この記事を参照できます：
https ：//blog.csdn.net/weixin_39050022/article/details/80732249
==各質問の特定の参照が更新されます:(参照のみ）==
1.この質問には影響データセットのみが必要です。能力がある場合は、ここで知識グラフを作成できます。この質問の実際の目的は、アーティストの音楽的影響力を判断することであり、必要な方向性ネットワークの確立は、影響力のある芸術に影響力を与えることです。私が与えた方法は、最初にデータ列をの祖先に追加することです。すべてのデータをトレースする音楽フィールド。フォロワーとインフルエンサーのドメインが同じである場合は、インフルエンサーがフォローしているインフルエンサーを見つけます。これにはコードの実装が必要です。インフルエンサーの数にデータ列を追加します。特定のインフルエンサーについて、このインフルエンサーによって直接的または間接的に影響を受ける人々の数を見つけます。フィールドの人数の表を作成し、フィールドのマスターアーティストの総数を計算します。同じ分野で、さまざまな年に応じて視覚化し（折れ線グラフが最適）、さまざまな分野のピーク年を観察して取得できます（新世代が最も才能があります）。
このとき、サブネットワークパラメータが確立されます。次に、misic影響モデルを確立し、包括的な評価モデルを確立できます（多くあり、1つを選択します）。これは灰色の包括的な評価方法です。インデックスはアーティストの影響の数、フィールドの人数、フィールドの人数、フィールドの影響ランキングの年（計算方法は、最初に今年のアーティストのフィールドの所有者を除外し、次に影響力のある人の数に従ってランク付けする）、その年の競争力（今年の全分野のアーティストの総数）。（モデルの解決プロセスについては、1つのフィールドに1年間、論文に表示するだけです）
2.ここでは、FULL_MUSIC_DATAデータセットと、分析の最初の質問で使用したデータセットを選択します。このトピックの要件は、音楽の類似性測定モデルを開発し、ジャンル内のアーティストがジャンル間のアーティストよりも類似しているかどうかを判断することです。指標が多いため、2つの方法で処理できます。1相関分析を使用して、さまざまな指標と人気の間の相関を調べることができ、相関の低いいくつかの指標を排除できます。2主成分分析を使用して、データの次元を減らすことができます。音楽類似性測定モデルの場合、FULL_MUSIC_DATAデータセットを使用する必要があります。データセットの処理方法は、記事に添付されていません。音楽の類似性とは、主に2つの音楽の類似度を指します。データセットをクリーンアップした後、コードを使用して音楽の類似度を計算できます。ピアソン相関係数と余弦の類似度が一般的に使用されます。さらに、、それを視覚化し、関連する関係のヒートマップを描き、音楽間の類似性を直感的に反映することができます。後者の質問に答えて、アーティストのジャンルに応じて、アーティストのクラスター分析（DBSCANまたはkmeans）を実行して、そのジャンルのアーティストとそのジャンルで見られるアーティストとの関係を確認します。クラスター分析では、グラフ（異なるジャンルは異なるカラーポイントを使用します）ジャンル間およびジャンル内の関係を直接反映できます。
3.時間の経過とともにジャンルがどのように変化するかについては、特定のターゲットを設定できます。ジャンルを説明します。最初の質問では、この分野の新世代の数を時系列で紹介します。また、今年のこの分野の曲のボリュームも確認でき、折れ線グラフを作成して上昇とジャンルの秋。次に、変曲点や成長率の高いノードや低いノードなど、いくつかの重要な時間ノードに従って、FULL_MUSIC_DATAデータセットの対応する時間を確認し、このフィールドまたは音楽シーンでどのような変更が発生したか、有名な曲があるかどうかを確認します。または他の理由でこのフィールドは暑く、その結果、このフィールドの人数と曲が少なくなります。ここでは、自分で再生できます。言語モデリングの誰もが、一部のジャンルが他のジャンルに関連しているかどうかを判断するのに非常に優れています。同じアーティストが異なるジャンルの曲を公開しているかどうか、または異なるアーティスト間の影響関係をInfluence_Dataで確認できます。データセット。
4.質問の前半では、関係が実際に影響を与えることが証明されている限り、すべての人が自分の知恵を使用する必要があります。質問の後半では、対象を絞った検証分析を行うことができます。一部の音楽機能は他の機能よりも「感染性」が高いです。前述の相関分析を参照できます。これは、FULL_MUSIC_DATAデータセットの相関分析を使用して、さまざまな指標と人気の間の相関を調査します。相関は高くなります。より感染性が高くなります。これらはすべて、特定のアーティストの音楽に影響を与える上で同様の役割を果たします。これは、有名なアーティストについて話し合うことができます。さまざまな指標について、影響力のある人と影響を受ける人の間の指標の類似性を確認して比較できます。写真、ナイチンゲールのバラチャートまたはレーダーチャート（後者の2つが優れており、ソフトウェアとペイントの方法は高度な考え方で提供されています）、そして最後にデータ分析。
5.前の分析で述べたように、折れ線グラフまたは成長率の高いノードまたは低いノードの変曲点を観察し、このノードでこのような状況が発生する理由を分析し、のアーティストと作品を比較します。この期間すべてをリストし、作品の各インデックスの優れた特徴を確認します（ハイライトが目立たない場合は、すべての作品の平均と比較し、平均と大きく異なる場合は、目立つことを意味します） 。この機能はタイトルで説明されています革命的な（大きな飛躍）の特徴質問の後半では、既存の結論に基づいて誰もが自分でそれを見つける必要があります。以前の基盤では（の影響を忘れないでください最初の質問）、これは非常に簡単です。この質問の結果は表の形で提示することができます、あなたはハイライト表を見ることができます。
6.言語モデリング
7.言語モデリング
Impact_Dataデータセットまたはその一部を使用して、インフルエンサーがフォロワーに接続する音楽的影響の指向性ネットワークを作成します。このネットワークの「音楽の影響」をキャプチャするためのパラメータを開発します。ターゲットを絞ったインフルエンサーネットワークのサブネットワークを作成して、音楽の影響のサブセットを探索します。このサブネットについて説明してください。このサブネットワークでは、「音楽の影響」インジケーターは何を明らかにしますか？
FULL_MUSIC_DATAおよび/または音楽特性の2つの集約データセット（アーティストと年を含む）を使用して、音楽類似性測定モデルを開発します。指標を使用すると、ジャンル内のアーティストは、ジャンル間のアーティストよりも類似していますか？
ジャンル間およびジャンル内の類似点と影響を比較します。ジャンルの違いは何ですか？ジャンルは時間とともにどのように変化しますか？ジャンルがジャンルに関連しているかどうか
。DATA_ENAFSONCEデータセットで報告された類似性データが、特定されたアーティストが互いに影響し合っていることを示しているかどうかを説明します。「影響力のある人々」は本当にフォロワーが作る音楽に影響を与えるのでしょうか？言い換えれば、特定の音楽的特徴は他の特徴よりも「伝染性」があるのでしょうか、それとも特定のアーティストの音楽に影響を与える上でそれらすべてが同様の役割を果たしているのでしょうか。
これらのデータから、音楽の進化に革命的な（大きな飛躍）機能があるかどうかを調べますか？インターネットを通じて、
Integrated Collective Music（ICM）Associationは、音楽の影響を測定するためのモデルを開発するチームを特定しました。この質問では、アーティストやジャンルの進化と革命的なトレンドを確認するように求められます。この目的のために、ICMはチームにいくつかのデータセットを提供します
。1）「influence_data」1は、アーティスト自身によって報告された音楽のインフルエンサーとフォロワー、および業界の専門家の意見を表します。これらのデータには、過去90年間の5,854人のアーティストのインフルエンサーとフォロワーが含まれています。
2） "full_music_data" 2は、音楽の特性（ダンス、速度、音量、曲など）、および98,340曲のそれぞれのartist_nameとartist_idを含む16の可変アイテムを提供します。これらのデータは、次の2つの要約データセットを作成するために使用されます。a。アーティスト「data_by_artist」の平均値、b。新年「data_by_year」を表す
注：これらのファイルで提供されるデータは、より大きなデータセットのサブセットです。これらのファイルには、この質問に使用する必要がある唯一のデータが含まれています。
このやりがいのあるプロジェクトを実施するために、ICM協会は、次の手段を通じて、音楽アーティストの影響力を通じて音楽の発展を探求することをチームに求めています。
Impact_dataデータセットまたはその一部を使用して、音楽の影響力のターゲットネットワークを作成し、インフルエンサーをフォロワーに接続します。このネットワークの「音楽の影響」を捉えるパラメータを開発します。ターゲットとするインフルエンサーネットワークのサブネットを作成して、音楽の影響のサブセットを調べます。このサブネットについて説明してください。あなたの「音楽の影響」の尺度は、このサブネットワークに何を反映していますか？
音楽の特徴のfull_music_dataおよび/または2つの要約データセット（アーティストと年を含む）を使用して、音楽の類似性の尺度を作成します。指標を使用すると、そのジャンルのアーティストはそのジャンルのアーティストよりも似ていますか？
ジャンル間およびジャンル間の類似性と影響を比較します。ジャンルの違いは何ですか？また、ジャンルは時間の経過とともにどのように変化しますか？一部のタイプは他のタイプに関連していますか？
data_influenceデータセットで報告された類似性データが、識別されたインフルエンサーが実際に対応するアーティストに影響を与えていることを示しているかどうかを示します。「インフルエンサー」は実際にフォロワーが作成する音楽に影響を与えますか？特定の音楽的特徴は他の特徴よりも「感染性」が高いのでしょうか、それとも特定のアーティストの音楽に影響を与える上で同様の役割を果たしているのでしょうか。
これらのデータから、音楽開発に革命（大きな飛躍）をもたらす可能性のある機能があるかどうかを判断しますか？あなたのネットワークでは、どのアーティストが革命家（大きな変化の影響者）を代表していますか？
あるタイプの音楽の影響プロセスを経時的に分析します。あなたのチームは、ダイナミックなインフルエンサーを明らかにし、時間の経過とともにジャンルやアーティストの変化を説明できる指標を特定できますか？
あなたの作品は、時間や環境の観点から音楽の文化的影響についての情報をどのように表現していますか？または、インターネットにおける社会的、政治的、または技術的変化（インターネットなど）の影響を特定する方法は？
完全なコードまたは書き込み追加QQ2449341593過去のレビュー
>>>>>>
[数学的モデリング] MatlabSEIRS感染症モデル[Matlabソースコード033を含む]
[数学的モデリング] Matlabセルオートマトンベースの人口避難シミュレーション[Matlabソースコード035を含む]
[数学的モデリング] matlab粒子群最適化ELMネットワーク予測に
基づく[ Matlabソースコード036を含む] [数学的モデリング] matlab時変パラメーター確率的揮発性ベクトル自動回帰モデル（TVP-VAR）に基づく[Matlabソースコード問題037を含む]
[データモデリング] matlabに基づくファジーバイナリ決定ツリー[Matlabソースコード038を含む]
[数学モデリング] matlabセルオートマトンに基づく4レーントラフィックフロー[Matlabソースコード039を含む]
[数学構築モデル] 20201 MeisaiF質問パルスと温度をチェック高等教育（評価または予測モデル）の[Matlabソースコード243を含む]