Wie Songs durch Freundesnetzwerke rascher bekannt werden

"Allein auf Spotify wird in einem Jahr mehr Musik veröffentlicht, als wir in unserem ganzen Leben hören könnten", sagte Erstautor und CSH-Forscher Niklas Reisz gegenüber der APA. Nur ein kleiner Bruchteil dieser Lieder erlangt hohe Popularität, weswegen ein großes Geschäft hinter der Prognose von Hits stehe. Weil Musik aber auch kulturell, sozial und politisch relevant sei, etwa wenn im Extremfall darüber spekuliert wird, ob ein Statement von Taylor Swift beim Superbowl die US-Wahl entscheidend beeinflussen kann, brauche es präzisere Möglichkeiten zur Vorhersage in dem Bereich nicht nur aus wirtschaftlichen Gründen.

Die in der Forschung gängigen Modelle, um die Popularität eines Songs vorherzusagen, stützten sich bisher meist nur auf die Inhalte des Songs, wie etwa den Text oder die Melodie, oder auf Metadaten wie das Genre oder die Beliebtheit der Künstlerin bzw. des Künstlers in der Vergangenheit. "Wenn zum Beispiel Taylor Swift einen neuen Song herausbringt, dann braucht es natürlich kein Machine-Learning-Modell um zu prognostizieren, dass das ein Hit wird", sagte Reisz.

Die bestehenden Parameter wurden nun von den Forschenden um den sozialen Aspekt ergänzt. "Unsere Ergebnisse deuten darauf hin, dass die soziale Komponente bei der Verbreitung von Musik eine mindestens ebenso wichtige Rolle spielt wie die Popularität von Künstlerinnen und Künstlern oder der Einfluss des Genres", so Reisz weiter.

Dafür analysierte das Team Daten der Musikplattform "last.fm", die rund 2,7 Millionen User, 10 Millionen Songs aller Genres und 300 Millionen Wiedergaben in einem achtjährigen Zeitraum umfassen. Auf der Plattform können sich die User außerdem befreunden und Lieder liken - hört eine befreundete Person dann einen Song, sehen das andere in ihrem Netzwerk. "Dadurch erhielten wir anonymisierte Informationen darüber, wer zu welchem Zeitpunkt welchen Song anhört und mit wem diese Person befreundet ist", sagte Reisz. So standen Informationen über die Follower einzelner Personen und darüber, wie viele Follower jene wiederum gehabt haben, zur Verfügung.

Aus diesen Daten wurden zwei Netzwerke erstellt: Das Erste zeigte, wer mit wem befreundet ist und das Zweite, wer wen wie stark beeinflusst - "Hier sind die Knoten des Netzwerks ebenfalls Personen, doch die Verbindungen entstehen, wenn eine Person einen Song anhört und kurz danach eine andere Person den gleichen Song zum ersten Mal anhört", so Co-Autor und CSH-Präsident Stefan Thurner. Die aus den Netzwerken berechneten Metriken flossen neben bestehenden Parameter in ein Machine-Learning-Modell ein. So konnte die Präzision der Vorhersage, ob es sich bei einem neuen Song um einen Hit handeln wird, basierend auf den ersten 200 Personen, die ihn sich angehört haben, von 14 Prozent auf 21 Prozent verbessert werden.

"Wahrscheinlich ist das nicht 1:1 auf andere Modelle übertragbar, aber wir gehen davon aus, dass sehr viele der Mechanismen universell sind", sagte Reisz. So wüssten die Forschenden auch nicht, inwiefern Freunde auf der Plattform auch offline befreundet sind. Reisz nimmt aber an, dass sich ähnliche Dynamiken in geringerer Geschwindigkeit auch im "analogen" Freundeskreis abspielen würden.

Dabei nehme auch ein anderes Phänomen eine wichtige Rolle ein: die Homophilie, also die Eigenschaft, dass sich befreundete Personen in einem Netzwerk ähneln und, dass sich zwischen ähnlichen Personen auch schneller eine Freundschaft bildet. Umgelegt auf die Musikplattform konnte bestimmt werden, dass Freunde dort mit hoher Wahrscheinlichkeit einen ähnlichen Musikgeschmack haben.

Für die Wissenschafterinnen und Wissenschafter sei die Homophile auch ein Hinweis darauf gewesen, dass es einen Mechanismus geben muss, der dazu führt, dass befreundete Personen sich ähnlicher werden - es eben eine Art Beeinflussung gibt. Die Ergebnisse zeigen, dass diese Beeinflussung in beide Richtungen stattfindet. Dass also Menschen, die ihre Freunde beeinflussen, gleichzeitig auch beeinflusst werden. "Diese wechselseitigen Beeinflussungen ermöglichen auch vielstufige Kaskaden, durch die Songs sehr schnell bekannt werden können", so Reisz.

Das sei insofern bedeutend, da es ein Beispiel dafür ist, dass man mit großen Datensätzen durchaus soziale Beeinflussung zwischen Menschen - also Meinungsbildung - messen kann, sagte Thurner. "Ein wichtiges zukünftiges Anwendungsgebiet wäre hier natürlich die politische Meinungsbildung oder Einstellungen zu Themen wie zum Beispiel dem Klimawandel besser zu verstehen."

(S E R V I C E - https://doi.org/10.1038/s41598-024-58969-w)