Η παρούσα εργασία ασχολείται με την πρόβλεψη της απήχησης τραγουδιών συγκεντρώνοντας ακουστικές ετικέτες και χαρακτηριστικές ακουστικές παραμέτρους (αντικειμενικά χαρακτηριστικά). Σκοπός είναι η αναζήτηση των ακουστικών παραμέτρων που βελτιώνουν ή καθορίζουν την απήχηση των τραγουδιών. Στο πρώτο στάδιο η έρευνα επικεντρώνεται στην αναζήτηση του βέλτιστου μοντέλου πρόβλεψης χρησιμοποιώντας μια βάση δεδομένων με ακουστικές ετικέτες από το Spotify. Στο δεύτερο στάδιο δημιουργείται μια νέα βάση δεδομένων με τραγούδια που συλλέχθηκαν από το Top 100 του IFPI (International Federation of the Phonographic Industry). Η εργασία προτείνει την Chosic ως εναλλακτική πλατφόρμα εξαγωγής ακουστικών ετικετών. Στην συνέχεια ερευνάται κατά πόσο ο συνδυασμός ακουστικών ετικετών και αντικειμενικών χαρακτηριστικών που εξήχθησαν με την βιβλιοθήκη Librosa βελτιώνουν την προβλεπτική ικανότητα του μοντέλου. Η νέα βάση δεδομένων, που παρουσιάζεται στο Παράρτημα Β, και τα αποτελέσματα μπορούν να αποτελέσουν βάση για μελλοντική έρευνα.

This paper examines the prediction of song popularity through the integration of audio tags and objective audio features. It aims to search for audio features that improve or determine song popularity. During the first stage of this work, the research focuses on finding the optimal prediction model using a pre-labeled dataset with audio tags retrieved from Spotify. In the second stage, a new dataset is created, using songs collected from the IFPI Top 100 charts. The paper introduces Chosic as an alternative platform for audio tag extraction. Subsequently, it is investigated whether the combination of tags and objective audio features extracted through the Librosa Python library improves the model’s predictive performance. The new dataset, presented in Appendix B, and the extracted results can serve as a basis for future research.