Ouvido musical: explorando metadados em um sistema de recomendação de músicas

Abstract

A música é uma das mais antigas obras humanas. Passada de geração em geração e usada em diversos setores e com diversas finalidades. A evolução da música digital possibilitou, a partir dos anos 2000, o surgimento dos serviços de transmissão de música, o que produziu um efeito altamente lucrativo ao setor musical. Estes serviços se utilizam de sistemas de recomendação para encontrar faixas que venham a agradar aos usuários, coletando assim ricas informações a respeito do que ouvem. O volume de dados obtido possibilita um cenário rico em características que descrevem a ambos, fazendo, assim, com que as recomendações possam ser mais confiáveis. Sendo assim, é possível um cenário com escassez de dados onde se encontrem recomendações para seus usuários? O problema que este trabalho visa resolver é a dificuldade que os sistemas de recomendação tem em sugerir novas obras para os usuários diante de um cenário com escassez de informação, explorando combinações de metadados para encontrar recomendações. Ao longo deste trabalho um levantamento teórico será realizado, assim como um levantamento das aplicações comerciais, o sistema proposto que usará similaridade entre os metadados para encontrar as recomendações personalizadas. Os modelos necessários para o desenvolvimento deste sistema são apresentados e exemplificados. Os resultados mostram que é possível realizar recomendações em um cenário com escassez informação. As métricas usadas para avaliar o sistema foram \textit{Mean Average Precision} e \textit{Mean Reciprocal Rank}. A avaliação mostrou que em um ambiente desbalanceado onde apenas 11\% das músicas são consideradas relevantes é possível obter, na métrica \textit{MAP}, aproximadamente 20\% de assertividade ao longo das listas de recomendações, assim como uma lista de recomendação com um número maior de faixas ajuda na obtenção de um melhor resultado. A avaliação também mostrou que é possível obter na métrica \textit{MRR} mais de 35\% de assertividade, assim como a lista de recomendação com um número maior de músicas interfere diretamente no resultado positivo da métrica.