Aplicando aprendizado de máquina para identificação do gosto musical de um indivíduo
DOI:
https://doi.org/10.5335/rbca.v11i3.9230Palavras-chave:
aprendizado de máquina, support vector machine, k-nearest neighborResumo
Descobrir o gosto musical de uma pessoa tem uma aplicação óbvia nos mecanismos de recomendação
usados pelos provedores de serviços de música on-line. Estamos interessados em uma aplicação menos
óbvia, relacionada ao ambiente de trabalho de um desenvolvedor de software. Neste trabalho em particular,
comparamos dois algoritmos usados em mineração de dados como classificadores. O objetivo é comparar
Support Vector Machine (SVM) e k-Nearest Neighbor (k-NN) como preditores do gosto musical de um usuário.
Para executar o experimento, usamos um banco de dados de músicas que foram previamente classificadas
com um rótulo indicando se o usuário gosta ou não de cada música. O banco de dados inclui um conjunto
de características das músicas, cada classificador usa as mesmas combinações de características no processo
de aprendizado e, em seguida, classifica novas instâncias de músicas de acordo com o gosto previsto para
o usuário. Este estudo inicial indicou que o SVM é um melhor preditor do que o k-NN para este contexto
particular. Em investigações futuras, pretendemos avaliar o usuário em um ambiente síncrono, nossa hipótese
é que pode ser possível entender mais do que o cenário de gosto / não gosto e expandir para o que o usuário
quer ouvir em um momento específico, com o qual planejamos capturar o estado emocional atual do usuário.
Eventualmente, queremos correlacionar o estado emocional de um desenvolvedor de software com a propensão
a defeitos do código escrito.
Downloads
Downloads
Publicado
Edição
Seção
Licença
Todos os artigos estão licenciados com a licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional. Autores que publicam nesta revista concordam com os seguintes termos:
a) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
b) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
c) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
