Raplysaattori ja kadonneen teroittimen arvoitus

/ Eric / Leave a comment

“meitsit rimmaa kaikille niille jotka himas uneksii / treenaa riimei ja flowta ja metaforii keksii” -Fintelligens

Räpkulttuuriin kuuluu tietynlainen kilpailullisuus, mikä ilmenee lukemattomina väittelyinä kovimmasta räppäristä – niin internetin keskustelupalstoilla kuin artistien lyriikoissakin. Vuonna 2014 kehittämäni Raplysaattori-ohjelma tarjoaa tähän keskusteluun mittarin nimeltä riimikerroin, joka mittaa artistin teknistä taituruutta laskemalla hänen käyttämiensä monitavuisten multiriimien pituutta ja tiheyttä.

Raplysaattorin julkaisun jälkeen julkisuuteen on noussut monia uusia artisteja, minkä lisäksi nykyiset suuriin kielimalleihin (LLM) perustuvat tekoälyt mahdollistavat – ei vain teknisen taituruuden – vaan myös muiden lyyristen tehokeinojen kuten metaforien ja vertausten mittaamisen. Näin ollen on tullut aika päivittää edellisen analyysini tulokset sekä lisätä mukaan uusi mittari nimeltä kynägeimikerroin. Kynägeimikerroin mittaa artistin käyttämien lyyristen tehokeinojen tiheyttä ja oivaltavuutta. Päivitetyt tulokset ja mahdollisuus analysoida omia lyriikoita löytyvät osoitteesta: raplysaattori.fi

Continue reading →

Kun lajin helppous ei viehätä: Rap-riimien arvattavuudesta ja alkusoinnuista

/ Eric / Leave a comment

(This post is written in Finnish since it discusses rhyme predictability and alliteration in Finnish rap lyrics.)

Tyypillisesti aloittelevan räppärin tunnistaa siitä, että käytetyt riimit ovat hyvin ennalta-arvattavia eli helppoja. Jos biisin jokainen laini päättyy samaa kaavaa noudattavaan kala-pala -tyyppiseen riimiin, jaksaa harva kuuntelija keskittyä kuuntelemaan kappaleen loppuun saakka, ellei tarina ole erityisen koukuttava. Tässä kirjoituksessa analysoidaan eri suomiräppäreiden lyriikoiden ennalta-arvattavuutta Raprofessor-pelissä annettujen vastausten perusteella. Lisäksi tarkastellaan erästä rap-lyriikoissakin käytettyä tehokeinoa, alkusointua, ja vertaillaan sen esiintyvyyttä eri artistien tuotannossa. Analyysi täydentää näin ollen aikasempaa Raplysaattori-ohjelmalla toteutettua riimikerroinvertailua. Continue reading →

Droppin’ Science on Haters

/ Eric / 1 Comment

My two rap-related projects, Raplyzer, which analyzes the rhyme density of different rappers, and DeepBeat, which is a rap lyrics generating AI, were widely covered in the media last year. But with the fame come the haters. The purpose of this post is to prove that my haters are wrong! (For real: I honestly don’t consider anyone a hater, nor will there be any proofs in this post. Rather, I’ll present some quantitative evidence for the validity of the algorithms but also discuss their limitations.)

Continue reading →

Who Let the DAGs Out?

/ Eric / 2 Comments

We did – in our paper titled “Beyond rankings: comparing directed acyclic graphs” (pdf) which I’ll be presenting at the ECML PKDD conference in Portugal next month. This was the first project of my PhD, but there’s also something else that makes it fundamentally different from the other research projects I’ve been involved with.

Typically, when I undertake a research project, I have a concrete question, like what is the next location a person will visit, to which I start looking for different solutions. In other words, I begin with a nail and start looking for a suitable hammer. However, this time we started by developing a cool new hammer with some neat theoretical properties before we had any idea if a suitable nail even exists. Continue reading →

Algorithm That Counts Rap Rhymes and Scouts Mad Lines

/ Eric / 61 Comments

“Men lie, women lie, numbers don’t” – Jay Z

Among the many things rappers like to boast about, some are relatively easy to quantify, like money, whereas rhyming skills are something that have been very difficult to measure – up till now. In this post, I’ll present Raplyzer, a computer program which automatically detects rhymes from rap lyrics and which is used to rank popular rappers based on their average Rhyme factor. I’ll also present another program called BattleBot, which is a search engine for rhyming rap lines based on the algorithm used in Raplyzer.

Continue reading →

Algoritmil voi saada kiinni / kenel on kovimmat rap-riimit

/ Eric / 103 Comments

“Puolet räppäreist ei tajuu rimmaamisest mitään / ennen mikkiin päästämistä pitäis kirjalliset pitää”

Näin toteaa suomiräpin epäilemättä tämän hetken tunnetuin nimi, Cheek, kappaleessaan Kuka muu muka. Tässä kirjoituksessa kuvailen, miten tietokoneella voidaan löytää lyriikoissa esiintyviä riimejä automaattisesti ja tutkin, löytyykö edellä mainitulle Cheekin väitteelle katetta analysoimalla Suomen tunnetuimpien räppäreiden sanoituksia toteuttamallani tietokoneohjelmalla. Ohjelma laskee tunnistamiensa riimien pituuksia sekä arvioi artistin sanavaraston kokoa. Continue reading →