Projekt

Christian Dillage, Brian Charlie Rodorff - (FB5) Semesterprojekt

Clustering von Spotify-Genres und der automatische DJ

  • Modul / Lehrveranstaltung: Projekt DataScience
  • Semester: 1.-3. Semester
  • Jahr: 2021

Das Projekt startete mit der Idee, einen reibungslosen Übergang zwischen Songwünschen durch Hinzufügen weiterer Songs zu erzeugen. Ein klassischer Anwendungsfall ist eine Homeparty. Im weiteren Verlauf kam außerdem die Frage auf, wie distinkt einzelne Genres untereinander sind. Am Ende das Projekts wurde eine Funktion implementiert, die zu einem Start- und Zielsong weitere Songs hinzufügen kann. Mithilfe der Spotify-Web-API konnte ein Datensatz von mehreren tausend Songs generiert werden. Diverse Probleme, wie fehlende Skalierungen oder fehlerhafte Ausprägungen der Features wurden identifiziert und entsprechend behandelt. Anschließend wurden explorative Analysen mithilfe deskriptiver Statistik und (hochdimensionalem) Clustering durchgeführt. Die Hypothese, Genres anhand ihrer Features voneinander abgrenzen zu können, konnte im Rahmen des Projekts nicht bestätigt werden. Eine erste Implementierung eines automatischen DJs wurde durch das Benutzen von Parametern insofern offen gestaltet, als dass der Nutzer die Möglichkeit hat, bei einzelnen Features ein Anpassungsgewicht festzulegen. Darüber hinaus kann die Anzahl der Songs zwischen Start- und Zielsong individuell gewählt werden. Auf diese Weise entstehen ganz persönliche Wege durch den „Feature-Raum“ von Songs. Über das gesamte Projekt hinweg konnte die API mit sehr intuitiven Befehlen in die Implementierung eingebunden werden. Die Implementierung des automatischen DJs konnte bereits überzeugen, bietet aber auch viel Verbesserungspotenzial. Denkbar wären beispielsweise komplexere Anfragen oder eine Visualisierung des automatischen DJs.