Análise do Sucesso Musical no Brasil Utilizando Dados do Twitter

Resumo


Este estudo tem como principal objetivo analisar como os dados do Twitter se relacionam com o sucesso da carreira artística musical. Primeiro, realizamos a coleta de dados de tweets, número de curtidas e retweets para cada perfil de artista presente nas paradas de sucesso do Spotify no mercado musical brasileiro. A partir dos dados coletados, construímos séries temporais para representar a carreira de cada artista, e investigamos se os períodos de maior sucesso ocorrem próximos uns dos outros. Tal análise exploratória auxilia na identificação de padrões temporais que podem revelar a existência de hot streaks, i.e., períodos de sucesso acima do normal. Então, analisamos quais são os termos mais frequentes antes e depois dos picos de sucesso de artistas.
Palavras-chave: Redes Sociais, Twitter, Música

Referências

Abel, F. et al. (2010). Analyzing the blogosphere for predicting the success of music and movie products. In ASONAM, pages 276-280, Odense, Denmark.

Araujo, C. V. et al. (2017). Predicting music success based on users’ comments on online social networks. In WebMedia, pages 149-156, Brazil.

Calefato, F. et al. (2018). Collaboration success factors in an online music community. In ACM GROUP, Sanibel Island, USA.

Çimen, A. and Kayis, E. (2021). A longitudinal model for song popularity prediction. In DATA, pages 96-104. SciTePress.

Cosimato, A. et al. (2019). The conundrum of success in music: Playing it or talking about it? IEEE Access, 7:123289-123298.

Dewan, S. and Ramaprasad, J. (2014). Social media, traditional media, and music sales. Mis Quarterly, 38(1).

Garimella, K. and West, R. (2019). Hot streaks on social media. In International Conference on Web and Social Media, pages 170-180. AAAI Press.

Liu, L., Wang, Y., Sinatra, R., Giles, C. L., Song, C., and Wang, D. (2018). Hot streaks in artistic, cultural, and scientific careers. Nature, 559(7714):396-399.

Martín-Gutiérrez, D. et al. (2020). A multimodal end-to-end deep learning architecture for music popularity prediction. IEEE Access, 8:39361-39374.

Oliveira, G. P., Silva, M. O., Seufitelli, D. B., Lacerda, A., and Moro, M. M. (2020). Detecting collaboration profiles in success-based music genre networks. In ISMIR, pages 726-732.

Pachet, F. (2011). Hit song science. In Tao Li, Mitsunori Ogihara, G. T., editor, Music Data Mining, chapter 10, pages 305-326. CRC Press, New York, NY, USA.

Ren, J. and Kauffman, R. J. (2017). Understanding music track popularity in a social network. In ECIS, pages 374-388, Guimarães, Portugal. AIS.

Rousidis, D., Koukaras, P., and Tjortjis, C. (2020). Social media prediction: a literature review. Multimedia Tools and Applications, 79(9):6279-6311.

Seufitelli, D. B., Oliveira, G. P., Silva, M. O., Barbosa, G. R. G., Melo, B. C., Botelho, J. E., Melo-Gomes, L. d., and Moro, M. M. (2022). From compact discs to streaming: A comparison of eras within the brazilian market. Revista Vórtex , 10(1).

Silva, M. O., Rocha, L. M., and Moro, M. M. (2019). Collaboration Profiles and Their Impact on Musical Success. In ACM SAC, pages 2070-2077, Limassol, Cyprus.

Trindade, I. et al. (2021). Análise das letras das músicas brasileiras mais tocadas nas rádios das Últimas seis décadas. In SBBD WTAG, pages 1-7. SBC.

Vötter, M. et al. (2021). Novel datasets for evaluating song popularity prediction tasks. In IEEE International Symposium on Multimedia (ISM), pages 166-173. IEEE.
Publicado
19/09/2022
MELO-GOMES, Luiza de; SEUFITELLI, Danilo B.; OLIVEIRA, Gabriel P.; SILVA, Mariana O.; MORO, Mirella M.. Análise do Sucesso Musical no Brasil Utilizando Dados do Twitter. In: WORKSHOP DE TRABALHOS DE ALUNOS DA GRADUAÇÃO (WTAG) - SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 37. , 2022, Búzios. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 40-46. DOI: https://doi.org/10.5753/sbbd_estendido.2022.21841.