100 bài hát hàng đầu được spotify năm 2022

Được cung cấp cho tất cả nghệ sĩ và người dùng trên toàn thế giới, theo thông báo mới nhất của Spotify: “Chúng tôi đã tạo ra các tính năng và bảng xếp hạng này để các nghệ sĩ và người hâm mộ đi sâu vào tất cả dữ liệu và thông tin, giúp họ có thể theo dõi được những bản nhạc nào đang làm lay động người nghe trên khắp thế giới trong thời điểm hiện tại”.

Các tính năng mới bao gồm:

Bảng xếp hạng theo thể loại (Genre Charts): Hàng tuần, bảng xếp hạng của Spotify sẽ tạo ra 200 bài hát hàng đầu dựa trên 17 thể loại và phân loại các bài hát dựa trên phạm vi từ các playlist của người dùng.

Bảng xếp hạng nghệ sĩ  (Artist Charts): Bảng xếp hạng những nghệ sĩ đang đạt thành tích cao nhất trong thời điểm hiện tại, dựa trên các số lượt nghe trên toàn bộ danh mục của họ. Vào thứ Sáu hàng tuần, 200 nghệ sĩ hàng đầu và trên 65 thị trường trên toàn cầu sẽ được cập nhật.

Bảng xếp hạng theo thành phố và địa phương (City & Local Pulse Charts): Bảng xếp hạng theo thành phố của Spotify khai thác âm nhạc được người nghe yêu thích tại hơn 200 thành phố hàng đầu trên thế giới. Bảng xếp hạng Local Pulse sẽ thống kê mức độ phổ biến của từng bản nhạc đối với người nghe ở mỗi thành phố so với mức độ phổ biến của nó trên khắp thế giới.

Thống kê thông tin và credits của các nghệ sĩ (Chart Data & Songwriter Credits): Cùng với các bảng xếp hạng là tính năng cung cấp thông tin mới, giờ đây các nghệ sĩ có thể theo dõi thời gian được xuất hiện và vị trí cao nhất của họ trong bảng xếp hạng từ chế độ theo dõi mở rộng. Người dùng cũng có thể xem credits của nghệ sĩ và nhà sản xuất cho mỗi bài hát bằng cách nhấn mục “more”.

Promo cards: Trong danh mục “bells and whistles”, Spotify đã tạo ra các promo card hoàn toàn mới đi kèm với bất kỳ vị trí nào trên bảng xếp hạng để cho nghệ sĩ hoặc người hâm mộ có thể chia sẻ những bài hát yêu thích của họ

Bạn có thể tìm hiểu thêm thông tin chi tiết tại đây.

(Theo Variety)

Trực quan hóa dữ liệu và học máy bằng danh sách phát các bài hát hàng năm của bạn từ Spotify

Tháng 12 năm 2021 xuất hiện, và giống như mọi năm (kể từ năm 2016), tháng mang đến danh sách phát Spotify thú vị: Bài hát hàng đầu của bạn 2021. Đối với mỗi người dùng, danh sách phát này có 100 bài hát họ nghe nhất trong năm đó. Ở vị trí số một là bài hát họ nghe hầu hết, số hai là phần thứ hai, và cứ thế cho đến Song 100. Nếu điều này chưa đủ vui, chỉ cần đợi cho đến khi chúng tôi khám phá nó một chút với khoa học dữ liệu! Như mọi khi, bạn có thể theo dõi trên Github ở đây.

Thám hiểm dữ liệu

Ví dụ, một điều tôi muốn khám phá là có bao nhiêu nghệ sĩ đã đưa nó vào danh sách nhạc của tôi. Tôi đã nghe chỉ một hoặc một vài bài hát của nhiều nghệ sĩ khác nhau? Hay tôi chỉ nghe một vài nghệ sĩ và rất nhiều bài hát của họ? Vâng, chúng ta hãy tìm hiểu:

df_2021_ = df_2021[['artist', 'name']]\
    .groupby('artist')\
    .count()\
    .sort_values('name', ascending=False)\
    .reset_index()
df_2021_.columns = ['artist', 'count']
df_2021_.head()

Vì vậy, những gì chúng ta thấy là tôi đã có 12 bài hát của Beach Bunny, 8 bởi The Beths, 7 bởi Mod Sun, 7 bởi Machine Gun Kelly và 6 của Iann Dior.

Ngoài ra, tôi có thể thấy tổng số nghệ sĩ trong danh sách phát:

len_artists=len(df_2021[['artist']].groupby('artist').count())
print(f'You had {len_artists} artists in the 100 songs.')

Và kết quả:

You had 36 artists in the 100 songs.

Để xem xét dữ liệu này trong tất cả sáu năm (2016202021), chúng ta có thể lặp lại mã ở trên để tạo các bảng riêng lẻ, sau đó kết hợp chúng như vậy:

df_concat = pd.concat([df_2016_, df_2017_, df_2018_, df_2019_, df_2020_, df_2021_], axis=1)
df_concat.head()

Và để xem tổng số có bao nhiêu nghệ sĩ trên mỗi danh sách phát:

len_artists = len(df_2016[['artist']].groupby('artist').count())
print(f'You had {len_artists} artists in the 100 songs in 2016.')You had 39 artists in the 100 songs in 2016.
len_artists = len(df_2017[['artist']].groupby('artist').count())
print(f'You had {len_artists} artists in the 100 songs in 2017.')You had 45 artists in the 100 songs in 2017.
len_artists = len(df_2018[['artist']].groupby('artist').count())
print(f'You had {len_artists} artists in the 100 songs in 2018.')You had 40 artists in the 100 songs in 2018.
len_artists = len(df_2019[['artist']].groupby('artist').count())
print(f'You had {len_artists} artists in the 100 songs in 2019.')You had 26 artists in the 100 songs in 2019.
len_artists = len(df_2020[['artist']].groupby('artist').count())
print(f'You had {len_artists} artists in the 100 songs in 2020.')You had 40 artists in the 100 songs in 2020.
len_artists = len(df_2021[['artist']].groupby('artist').count())
print(f'You had {len_artists} artists in the 100 songs in 2021.')You had 36 artists in the 100 songs in 2021.

Trực quan hóa dữ liệu

Ngoài việc nhìn vào các bài hát trên mỗi nghệ sĩ trong một bảng, chúng ta cũng có thể xem nó trong một biểu đồ.

Biểu đồ đầu tiên dưới đây là một cốt truyện cho thấy 10 nghệ sĩ hàng đầu của tôi dựa trên số lượng bài hát của họ tôi có trong danh sách phát của mình trong năm 2016-2021. Tổng số tích lũy khi thời gian trôi qua.

Vì vậy, trong khi các nghệ sĩ hàng đầu của tôi là một ngày đáng nhớ và chớp mắt-182 vào năm 2016 và 2017, câu chuyện cho đến nay và Rise đã kết thúc trên đỉnh vào năm 2021. Một trong những lý do cho đây là các buổi hòa nhạc trực tiếp. Tôi đã đến xem Blink-182 và một ngày đáng nhớ vào năm 2016, vì vậy điều đó có ý nghĩa rằng họ đã có những người nghe hàng đầu hồi đó.

Biểu đồ tiếp theo cho thấy tất cả sáu danh sách phát bài hát hàng đầu của tôi từ 2016-2021. Mỗi danh sách được thể hiện bằng một màu cho thanh. Sau đó, nó vẽ số lượng bài hát trên mỗi nghệ sĩ trong mỗi danh sách phát và đặt chúng lên nhau. Trong trường hợp này, chúng ta có thể thấy tất cả các nghệ sĩ lọt vào danh sách phát.

Vì vậy, trong khi các nghệ sĩ hàng đầu của tôi là một ngày đáng nhớ và chớp mắt-182 vào năm 2016 và 2017, câu chuyện cho đến nay và Rise đã kết thúc trên đỉnh vào năm 2021. Một trong những lý do cho đây là các buổi hòa nhạc trực tiếp. Tôi đã đến xem Blink-182 và một ngày đáng nhớ vào năm 2016, vì vậy điều đó có ý nghĩa rằng họ đã có những người nghe hàng đầu hồi đó.

Vì vậy, trong khi các nghệ sĩ hàng đầu của tôi là một ngày đáng nhớ và chớp mắt-182 vào năm 2016 và 2017, câu chuyện cho đến nay và Rise đã kết thúc trên đỉnh vào năm 2021. Một trong những lý do cho đây là các buổi hòa nhạc trực tiếp. Tôi đã đến xem Blink-182 và một ngày đáng nhớ vào năm 2016, vì vậy điều đó có ý nghĩa rằng họ đã có những người nghe hàng đầu hồi đó.

Biểu đồ tiếp theo cho thấy tất cả sáu danh sách phát bài hát hàng đầu của tôi từ 2016-2021. Mỗi danh sách được thể hiện bằng một màu cho thanh. Sau đó, nó vẽ số lượng bài hát trên mỗi nghệ sĩ trong mỗi danh sách phát và đặt chúng lên nhau. Trong trường hợp này, chúng ta có thể thấy tất cả các nghệ sĩ lọt vào danh sách phát.

Vì vậy, trong khi các nghệ sĩ hàng đầu của tôi là một ngày đáng nhớ và chớp mắt-182 vào năm 2016 và 2017, câu chuyện cho đến nay và Rise đã kết thúc trên đỉnh vào năm 2021. Một trong những lý do cho đây là các buổi hòa nhạc trực tiếp. Tôi đã đến xem Blink-182 và một ngày đáng nhớ vào năm 2016, vì vậy điều đó có ý nghĩa rằng họ đã có những người nghe hàng đầu hồi đó.

Biểu đồ tiếp theo cho thấy tất cả sáu danh sách phát bài hát hàng đầu của tôi từ 2016-2021. Mỗi danh sách được thể hiện bằng một màu cho thanh. Sau đó, nó vẽ số lượng bài hát trên mỗi nghệ sĩ trong mỗi danh sách phát và đặt chúng lên nhau. Trong trường hợp này, chúng ta có thể thấy tất cả các nghệ sĩ lọt vào danh sách phát.

Biểu đồ này cho thấy có nhiều nghệ sĩ chỉ có một bài hát trong danh sách phát của tôi, như +44 ở dưới cùng của trục y. Ngoài ra, một số nghệ sĩ có nhiều người, giống như câu chuyện cho đến nay ở đầu trục y. Trong sáu năm lắng nghe, tôi đã đưa 68 bài hát của họ vào danh sách phát hàng đầu của mình. Mặc dù tôi không chắc họ đã phát hành nhiều bài hát đó, nhưng nó đưa ra ý tưởng rằng biểu đồ này cũng nên được kiểm tra mà không lặp lại. Ví dụ: nếu tôi có một bài hát trong danh sách phát năm 2016, thì tôi không nên đếm lại nếu nó xuất hiện trong danh sách phát trong tương lai. Điều tương tự cũng đúng bất kể năm nào bài hát xuất hiện đầu tiên. Nó sẽ chỉ được tính lần đầu tiên. Biểu đồ đó ở bên dưới: https://chart-studio.plotly.com/~areevesman/40

Vì vậy, trong khi các nghệ sĩ hàng đầu của tôi là một ngày đáng nhớ và chớp mắt-182 vào năm 2016 và 2017, câu chuyện cho đến nay và Rise đã kết thúc trên đỉnh vào năm 2021. Một trong những lý do cho đây là các buổi hòa nhạc trực tiếp. Tôi đã đến xem Blink-182 và một ngày đáng nhớ vào năm 2016, vì vậy điều đó có ý nghĩa rằng họ đã có những người nghe hàng đầu hồi đó.

Ngoài các biểu đồ này, tôi cũng muốn xem xét những gì các nghệ sĩ đang nói. Mặc dù chúng tôi không có lời bài hát đầy đủ cho những bài hát này, chúng tôi có những tựa game. Dưới đây là một đám mây từ dựa trên tiêu đề của các bài hát này:

Trong hình ảnh này, kích thước của từ thể hiện tần suất nó hiển thị. Điều này cung cấp một ý tưởng về ý nghĩa của các bài hát. Ví dụ, từ người bạn ở góc trên cùng bên trái có thể cho thấy một số bài hát là về tình bạn. Ngoài ra, thời gian ở phía dưới bên phải cho thấy nhiều bài hát là về cảm xúc theo thời gian. Một trong những từ lớn nhất, Feat, cho thấy một số lượng tốt các bài hát có sự góp mặt của các nghệ sĩ khác.

Notes:

• Các từ như a, và,, v.v. đã bị xóa vì chúng phổ biến hơn và không cung cấp nhiều ý nghĩa
• S, xông t, v.v. được bỏ từ cuối một từ trước khi vẽ đồ thị

Một hình ảnh thú vị khác để xem xét chứa các tính năng âm nhạc được cung cấp bởi API Spotify. Chúng bao gồm các tính năng: âm thanh, năng lượng, khả năng nhảy, hóa trị, khả năng sống, lời nói, công cụ, độ ồn, độ dài, nhịp độ, phổ biến, chế độ, khóa, thời gian_signature và release_year cho mỗi bài hát.

Bạn có thể đọc thêm về chúng tại các địa điểm này. GHI CHÚ: Độ dài được lấy từ thời lượng_ms trên trang (1) và release_year là yếu tố năm của release_date trên trang (1):

• https://developer.spotify.com/documentation/web-api/reference/#/operations/get-tack (1)
• https://developer.spotify.com/documentation/web-api/reference/#/operations/get-audio-features (2)

Trong cốt truyện dưới đây, chúng tôi vẽ đồ thị trung bình của mỗi tính năng được lấy của 100 bài hát trong mỗi danh sách phát cho tôi và cho bạn gái của tôi. Một lưu ý là mỗi tính năng đã được chia tỷ lệ để có tối thiểu 0 và tối đa là một. Trung bình được thực hiện trên 1.200 bài hát (600 từ danh sách phát của tôi và 600 từ danh sách phát của Brenda). Danh sách phát của cô đã được thêm vào để giúp hiển thị thêm thông tin về các tính năng được vẽ dựa trên thị hiếu khác nhau của chúng tôi trong âm nhạc. Các tính năng bài hát của tôi được vẽ với màu tối hơn trong khi cô ấy được vẽ trong lớp phủ nhẹ hơn.

Trong hình ảnh này, kích thước của từ thể hiện tần suất nó hiển thị. Điều này cung cấp một ý tưởng về ý nghĩa của các bài hát. Ví dụ, từ người bạn ở góc trên cùng bên trái có thể cho thấy một số bài hát là về tình bạn. Ngoài ra, thời gian ở phía dưới bên phải cho thấy nhiều bài hát là về cảm xúc theo thời gian. Một trong những từ lớn nhất, Feat, cho thấy một số lượng tốt các bài hát có sự góp mặt của các nghệ sĩ khác.

• Các từ như a, và,, v.v. đã bị xóa vì chúng phổ biến hơn và không cung cấp nhiều ý nghĩa
• S, xông t, v.v. được bỏ từ cuối một từ trước khi vẽ đồ thị
• Một hình ảnh thú vị khác để xem xét chứa các tính năng âm nhạc được cung cấp bởi API Spotify. Chúng bao gồm các tính năng: âm thanh, năng lượng, khả năng nhảy, hóa trị, khả năng sống, lời nói, công cụ, độ ồn, độ dài, nhịp độ, phổ biến, chế độ, khóa, thời gian_signature và release_year cho mỗi bài hát.
• Bạn có thể đọc thêm về chúng tại các địa điểm này. GHI CHÚ: Độ dài được lấy từ thời lượng_ms trên trang (1) và release_year là yếu tố năm của release_date trên trang (1):
• https://developer.spotify.com/documentation/web-api/reference/#/operations/get-tack (1)
• https://developer.spotify.com/documentation/web-api/reference/#/operations/get-audio-features (2)
• Trong cốt truyện dưới đây, chúng tôi vẽ đồ thị trung bình của mỗi tính năng được lấy của 100 bài hát trong mỗi danh sách phát cho tôi và cho bạn gái của tôi. Một lưu ý là mỗi tính năng đã được chia tỷ lệ để có tối thiểu 0 và tối đa là một. Trung bình được thực hiện trên 1.200 bài hát (600 từ danh sách phát của tôi và 600 từ danh sách phát của Brenda). Danh sách phát của cô đã được thêm vào để giúp hiển thị thêm thông tin về các tính năng được vẽ dựa trên thị hiếu khác nhau của chúng tôi trong âm nhạc. Các tính năng bài hát của tôi được vẽ với màu tối hơn trong khi cô ấy được vẽ trong lớp phủ nhẹ hơn.
• Dưới đây là một số quan sát chúng ta có thể thực hiện từ đồ họa này:
• Độ âm của tôi khá thấp, trong khi Brenda, cao hơn một chút. Cô ấy thích một số bài hát âm thanh hơn trong khi tôi thích biến dạng hơn.
• Năng lượng của tôi cao hơn. Các bài hát của tôi có xu hướng nhanh hơn, to hơn và ồn ào hơn.
• Khả năng của tôi thấp hơn. Cô ấy thích âm nhạc phù hợp hơn để nhảy.
• Hóa trị của tôi thấp hơn một chút. Tôi thích những bài hát buồn, chán nản và tức giận trong khi cô ấy thích những bài hát vui hơn, vui vẻ và hưng phấn hơn.
• Sự sống của tôi cao hơn một chút. Tôi có thể có thêm một vài phiên bản trực tiếp của các bài hát trong danh sách nhạc của tôi.
• Lời nói của tôi cao hơn. Tôi có những bài hát với nhiều ca hát hơn trong khi cô ấy có nhiều nhạc cụ hơn một chút.
• Nhạc cụ của tôi thấp hơn. Thêm vào ý tưởng rằng tôi có nhiều ca hát hơn và cô ấy có nhiều nhạc cụ hơn một chút.

Độ ồn của tôi cao hơn một chút. Điều này cho thấy, giống như năng lượng, rằng các bài hát của tôi có thể ồn ào hơn.

Chiều dài của tôi cao hơn. Đây chỉ đơn giản là độ dài trung bình của một bài hát.

Nhịp độ của tôi cao hơn. Các bài hát của tôi nhanh hơn một chút so với trung bình của cô ấy.

Sự nổi tiếng của tôi cao hơn một chút. Tôi có xu hướng thích những bài hát phổ biến hơn cô ấy trung bình.

Hãy để chúng tôi sử dụng dữ liệu để đào tạo một số mô hình học máy. Để làm như vậy, chúng tôi sẽ hoàn thành các bước dưới đây.

Tỷ lệ biến số

Để đào tạo nhiều mô hình học máy, chúng tôi cần mở rộng các biến số. Nhiều người đang ở quy mô [0 Ném1], như âm thanh, năng lượng, khả năng nhảy, v.v. Tuy nhiên, những người khác như release_year thì không. Nếu điều này được sử dụng trong mô hình không có tỷ lệ, thì sự thay đổi trong release_year từ, ví dụ, 1969 đến 2021, có thể được hiểu là có ảnh hưởng nhiều hơn đến kết quả mô hình so với sự thay đổi từ biến khác nếu sự khác biệt chỉ có một số số ít hơn hơn một. Nếu tất cả được chia tỷ lệ, điều này sẽ giúp khắc phục sự cố. Mặc dù có nhiều cách để chọn cách thực hiện tỷ lệ, tôi đã chọn một phương pháp tuyến tính trong đó giá trị tối thiểu được ánh xạ về 0 và mức tối đa được ánh xạ thành một.

Mã hóa biến phân loại

Đối với một biến phân loại được sử dụng trong mô hình, nó phải tìm một cách để được hiểu là một số. Thời gian_Signature, Mode và khóa là các biến phân loại trong mô hình của tôi. Tôi đã sử dụng một mã hóa nóng để điều chỉnh chúng. Trong mỗi biến, có một cột cho mỗi loại có thể của biến đó. Nếu biến nằm trong loại K, thì có một trong cột K và số 0 trong mỗi cột khác.

Loại bỏ các bài hát trùng lặp

Mỗi năm, Spotify tạo một danh sách nhạc trong 100 bài hát hàng đầu của chúng tôi. Trong một số trường hợp, một số bài hát nhất định kết thúc trong hơn một năm phát danh sách phát. Để không cung cấp cho những bài hát đó thêm sự thiên vị đối với kết quả, tôi sẽ chỉ sử dụng từng bài hát một lần.

Ngoài ra, có một vài bài hát đã đưa nó vào cả hai danh sách phát của chúng tôi. Mặc dù tôi có thể loại bỏ từng bài hát khỏi chỉ một danh sách phát dựa trên chúng tôi thích nó hơn, tôi chỉ loại bỏ chúng khỏi cả hai để đơn giản.

Sau khi các bài hát trùng lặp được xóa, tôi có một vài bài hát ít hơn Brenda. Để giữ cho các kích thước lớp thậm chí, tôi đã lấy mẫu ngẫu nhiên một số bài hát của mình để được thêm lại vào danh sách phát của tôi lần thứ hai. Một lựa chọn khác sẽ là lấy mẫu một số bài hát của Brenda, để loại bỏ.

Bộ đào tạo và thử nghiệm

Bây giờ các bước trên đã hoàn tất, bước tiếp theo là chia các bộ bài hát thành các bộ đào tạo và kiểm tra. Có tổng số 507 bài hát còn lại từ 600 ban đầu trong mỗi lớp, vì vậy tôi sẽ sử dụng 407 từ mỗi lớp để đào tạo mô hình, sau đó sử dụng mô hình được đào tạo để dự đoán các giá trị của 100 bài hát còn lại.

Ngoài ra, tôi sẽ sử dụng 5 phiên bản của chia tách/kiểm tra, để tôi có thể so sánh hiệu suất mô hình trên các phiên bản của các bộ thử nghiệm.

Số liệu đánh giá

Chúng tôi sẽ sử dụng các số liệu sau đây để đánh giá các mô hình:

• Độ chính xác: Số lượng dự đoán chính xác chia cho số lượng tổng dự đoán
• Độ chính xác: Số lượng các trường hợp tích cực thực sự trong số mà mô hình đã dự đoán tích cực
• Nhớ lại: Số lượng các trường hợp tích cực thực sự trong số lượng tích cực thực sự
• Tính đặc hiệu: Số lượng các trường hợp tiêu cực dự đoán trong tổng số các trường hợp tiêu cực thực tế
• F1: giá trị trung bình hài hòa của độ chính xác và thu hồi: 2 /(1 /chính xác + 1 /thu hồi) hoặc 2*độ chính xác*nhớ lại /(độ chính xác + thu hồi)
• Đường cong ROC và điểm số: Đặc tính vận hành máy thu; Đồ thị: Giữa tỷ lệ dương tính giả (trục x) và điểm số dương thực sự (trục y)
• Đường cong và điểm số chính xác thu hồi: đường cong giữa độ chính xác và thu hồi trên các ngưỡng xác suất khác nhau; Điểm: Khu vực dưới đường cong giữa độ chính xác và thu hồi

Độ chính xác sẽ là số liệu chính để đánh giá mô hình vì chúng tôi muốn cả hai lớp được dự đoán chính xác càng nhiều càng tốt.

Sử dụng các mô hình học máy

Bây giờ chúng tôi đã sẵn sàng để áp dụng các mô hình học máy vào dữ liệu của chúng tôi. Tôi đã sử dụng tổng cộng năm:

• Hồi quy logistic
• Hàng xóm k-rearest
• Máy vectơ tuyến tính
• Cây quyết định
• Rừng ngẫu nhiên

Để điều chỉnh các hyperparameter của mỗi mô hình, tôi đã sử dụng một tìm kiếm lưới trong thư viện Python xông Scikit-learn. Độ chính xác tốt nhất đã được đưa ra dưới đây:

• Hồi quy logistic: 0,7604
• Hàng xóm K-Newest: 0,7334
• Máy vectơ tuyến tính: 0,7751
• Cây quyết định: 0,7641
• Rừng ngẫu nhiên: 0,8071

Vì độ chính xác là số liệu hàng đầu của chúng tôi, có vẻ như Rừng ngẫu nhiên đang đưa ra dự đoán tốt nhất về dữ liệu này. Chúng ta cũng có thể xem xét các số liệu đánh giá khác.

Ví dụ, với khu rừng ngẫu nhiên trên bộ thử nghiệm thứ năm:

• Độ chính xác: 0,86
• Nhớ lại: 0,7678
• Tính đặc hiệu: 0,8409
• F1: 0.8113
• Điểm ROC: 0,9037
• Đường cong ROC:

• Điểm chính xác thu hồi: 0,9096
• Đường cong chính xác Recall:

Điểm chính xác thu hồi: 0,9096

So sánh dự đoán bao gồm thông tin bài hát

Ngoài ra, chúng ta có thể thấy các bài hát thực tế được dự đoán cả không chính xác và chính xác. Chúng đến từ bộ thử nghiệm thứ năm của khu rừng ngẫu nhiên. Một dự đoán chính xác cho Adam là 0 và cho Brenda là 1.

Dự đoán không chính xác về các bài hát từ danh sách phát Adam Adam:

Dự đoán không chính xác về các bài hát từ danh sách phát Brenda,:

Dự đoán không chính xác về các bài hát từ danh sách phát Brenda,:

Hình ảnh của tác giả

Dự đoán không chính xác về các bài hát từ danh sách phát Brenda,:

Dự đoán chính xác về các bài hát từ danh sách phát Adam Adam:

Hình ảnh của tác giả

• Dự đoán chính xác về các bài hát từ danh sách phát Brenda,: