Explorando os metadados na recomendação de músicas em um ambiente com escassez de informação

Resumo

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. Ao longo deste trabalho um
levantamento teórico será realizado assim como os modelos necessários para o desenvolvimento do sistema.
Os resultados mostram que é possível realizar recomendações em um cenário com escassez de informação.
A avaliação mostrou que em um ambiente desbalanceado onde apenas 11% das músicas são consideradas
relevantes é possível obter, na métrica 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 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.