1. 1
インタラクション2018 (2018. 3. 6)
Lyric Jumper：アーティストごとの歌詞トピックの傾向に基づき様々な歌詞に出会える歌詞探索サービス
産業技術総合研究所 佃 洸摂 石田 啓介 後藤 真孝
スマホでアクセス

2. 歌詞トピック 2
各アーティストには固有の歌詞トピックの傾向が存在
アーティストＡ
恋愛
青春
自然
アーティストＢ
友情
青春
夢

3. 歌詞トピックに基づくアプリケーション例 3
検索
推薦
「恋愛」についてよく
歌うアーティストを
探したい
アーティストＡ アーティストＣ アーティストＦ
恋愛 恋愛 恋愛
アーティストBが好き
友情
アーティストＤ アーティストＧ アーティストＨ
友情 友情 友情

4. 4
様々な歌詞やアーティストに出会える新しい歌詞探索サービス
 歌詞のトピックを可視化
 アーティストごとの歌詞の傾向に基づく歌詞探索
Lyric Jumper

5. 歌詞のトピックを決める難しさ 5
膨大な歌詞データに
どんなトピックが存在するか
不明
各歌詞が
どのトピックに所属するか
不明
「恋愛」と
「青春」と・・？
15万歌詞 「ラブソング」？
「夢と未来」？
PROLOGUE / 緒方 智美
立ち止まる時 また ふと振り返る
今も せつない 姿 探しているよ
間違いなく二人 季節を歩いてた
それぞれが夢みてた 想いも一緒に
…

6. 歌詞トピック推定モデルによる問題解決 6
歌詞データ
（15万曲）
大規模な歌詞データを与えるだけでトピックを自動的に推定
確率モデルによる
歌詞トピック解析
歌詞 トピック
松田聖子/
あなたに逢いたくて
４
松田聖子/
赤いスイートピー
11
井上陽水/少年時代 16
「恋愛」 永遠の愛・一途な恋・ラブソング
大人の恋愛（女性編）・大人の恋愛（男性編）

7. Latent Dirichlet Allocation (LDA) 7
LDA：歌詞トピックを扱う研究[＊]におけるデファクトスタンダード
 Sharma+, “Mining sentiments from songs using latent Dirichlet allocation”, IDA’11
 Johnson-Roverson+, “Temporal and regional variation in rap lyrics”, NIPSW’13
 Sasaki+, “LyricsRader: A lyrics retrieval system based on latent topics of lyrics”, ISMIR’14
 Ren+, “What makes a music track popular in online social networks?”, WWW’16
𝛼𝛼 𝜽𝜽 𝒛𝒛 𝑣𝑣 𝜑𝜑
𝛽𝛽
トピ
ック
楽曲
単語
…夢 明
日
未
来
トピック２
 楽曲ごとにトピック分布𝜽𝜽を持つ
 単語ごとにトピック𝒛𝒛を生成
 トピックの単語分布に応じて単語𝑣𝑣を生成
1 2 3 20
…
トピック
[＊]

8. 提案モデル 8
𝛼𝛼 𝜽𝜽 𝒛𝒛 𝑣𝑣 𝜑𝜑
𝛽𝛽
トピ
ック
楽曲
単語
アーテ
ィスト
𝑠𝑠
𝜆𝜆
𝜌𝜌𝜓𝜓𝛾𝛾
 アーティスト・楽曲・単語という３階層の構造を考慮
 アーティストごとにトピックの分布𝜽𝜽を持つ
 楽曲ごとに１つのトピック𝒛𝒛を持つ
松田聖子
歌詞トピックが𝑘𝑘である確率

9. モデルの定量的評価 9
トピック数
1100
1200
1300
1400
0 10 20 30 40 50
LDA
提案モデル
良
悪
Perplexity
 歌詞配信業者から提供された歌詞データ
 登録歌詞数の上位1,000アーティストの93,716件の歌詞
歌詞のトピック推定のデファクトスタンダードであるLDAよりも
提案モデルが高精度であることを示した

10. Lyric Jumper 10
2017/2/21 公開（https://lyric-jumper.petitlyrics.com）

11. Lyric Jumper 11
 2016/12/31時点で10曲以上の楽曲を持つアーティストが対象
 3,722アーティストの147,990件の歌詞を使用
データ
 トピック数：20
 少なすぎると飽きやすいが多すぎると似たトピックが出現
 トピック名を単語分布と代表アーティストから人手で決定
トピック
PC版 スマホ版

12. ログ分析

13. データセット 13
 Lyric Jumperへのアクセスログ収集期間： 2017/2/21～9/30
 ユニークユーザ数
- スマートフォン：86,922
- PC：6,040
35
30
25
20
15
10
5
0
万PV
2月 3月 4月 5月 6月 7月 8月 9月
スマートフォン PC

14. 各機能の使用回数 14
機能 PC スマホ
アーティストランキング 5,574aaaa 41,169aaa
アーティスト推薦 4,206aaaa 10,557aaa
楽曲ランキング 12,375aaaa 24,717aaa
フレーズ推薦 12,333aaaa 456,429aaa
 楽曲探索機能の方が使用頻度は高い傾向
 アーティスト数3,722に対して楽曲数147,990と多く
アーティスト発見後に様々なインタラクションを経て
楽曲を探しているためと考えられる
（回）
アーティストの探索
楽曲の探索

15. 各機能の使用回数 15
（回）
機能 PC スマホ
アーティストランキング 5,574aaaa 41,169aaa
アーティスト推薦 4,206aaaa 10,557aaa
楽曲ランキング 12,375aaaa 24,717aaa
フレーズ推薦 12,333aaaa 456,429aaa
 フレーズ推薦機能の使用回数はスマホがPCを大きく上回る

16. 各機能の使用回数 16
スマホ用インタフェース
PC用インタフェース

17. 各機能の使用回数 17
 フレーズ推薦機能の使用回数はスマホがPCを大きく上回る
 スマホではフレーズがひとつずつ推薦されることで
フレーズに対するユーザの興味をより強く喚起でき
ユーザが思わず次々とボタンを押した結果ではないか
（回）
機能 PC スマホ
アーティストランキング 5,574aaaa 41,169aaa
アーティスト推薦 4,206aaaa 10,557aaa
楽曲ランキング 12,375aaaa 24,717aaa
フレーズ推薦 12,333aaaa 456,429aaa

18. トピック別クリック頻度 18
0 1000 2000 3000 4000 5000
永遠の愛
一途な恋
ラブソング
大人の恋愛（女性編）
大人の恋愛（男性編）
コトバ遊び
イケイケ
みんなでうたおう
戦うヒーロー
夢と未来
青春
人生
自分探し
混沌（カオス）
センチメンタル
ノスタルジー
硬派
光と影
自由気まま
浮世離れ
スマホ用インタフェース

19. トピック別クリック頻度 19
0 1000 2000 3000 4000 5000
永遠の愛
一途な恋
ラブソング
大人の恋愛（女性編）
大人の恋愛（男性編）
コトバ遊び
イケイケ
みんなでうたおう
戦うヒーロー
夢と未来
青春
人生
自分探し
混沌（カオス）
センチメンタル
ノスタルジー
硬派
光と影
自由気まま
浮世離れ
 トピックの表示順位と
クリックの頻度順位の相関
- 全体：0.46
- 恋愛トピック以外：-0.025
 ユーザはある程度自分の興味
に従ってトピックを選択
「大人の恋愛」トピックでは
「男性編」よりも「女性編」
の方が高頻度で選択
0.46
-0.025
恋愛
トピック

20. トピック別クリック頻度 20
0 1000 2000 3000 4000 5000
永遠の愛
一途な恋
ラブソング
大人の恋愛（女性編）
大人の恋愛（男性編）
コトバ遊び
イケイケ
みんなでうたおう
戦うヒーロー
夢と未来
青春
人生
自分探し
混沌（カオス）
センチメンタル
ノスタルジー
硬派
光と影
自由気まま
浮世離れ
 トピックの表示順位と
クリックの頻度順位の相関
- 全体：0.46
- 恋愛トピック以外：-0.025
 ユーザはある程度自分の興味
に従ってトピックを選択
「大人の恋愛」トピックでは
「男性編」よりも「女性編」
の方が高頻度で選択
大人の恋愛 (女性編)
大人の恋愛 (男性編)

21. 行動遷移 21
トピックを起点とした歌詞探索は新規性が高いだけでなく
ユーザにも積極的に利用されていることが示された
アーティスト起点
34.8%
トピック起点
65.2%
フレーズ選択
20.5%

22. Twitter分析

23. データセット 23
 2017/2/21～10/10に投稿されたツイートが対象
「”lyric jumper” OR “リリックジャンパー”」をクエリに使用
 分析対象として収集されたツイートは429件

24. アーティストのトピックに関するツイート 24
 98件のツイートは特定のアーティストのトピックに言及
 推定されたトピックの傾向に納得感を表すツイートが多数
全体の傾向
ツイート例
「ラブソング」トピックの割合が高いと思っていたが
「自分探し」のトピックの割合が高く意外な発見ができた

25. ポジティブ・ネガティブなツイート 25
 95件
「面白い」「楽しい」「便利」といった反応が多数
「自分がどのようなタイプの歌詞が好きなのかが分かった」
のように自分でも明確に認識していなかった歌詞の好みを把握
ポジティブ
 10件
「曲に割り当てられたトピックが妥当でない」
 ユーザがトピックを容易に訂正可能なインタフェースを提供
ネガティブ

26. まとめ｜本研究の貢献・今後の課題 26
２WebサービスLyric Jumperの公開
3,722アーティストの約15万件の歌詞に提案モデルを適用
１歌詞トピック推定モデルを提案し定量評価
各アーティストがトピック分布を持ち歌詞ごとにひとつのトピックを割り当て
３Lyric Jumperのアクセスログ・ツイート分析
9万人以上のユーザの操作ログを用いてユーザの探索行動に与える影響を分析
今後の
課題
 モデルの言語非依存性を活かし洋楽版Lyric Jumperを公開
 音響特徴量やタグと組み合わせたより柔軟なシステム提案