Ouvido musical: explorando metadados em um sistema de recomendação de músicas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFBA |
Texto Completo: | http://repositorio.ufba.br/ri/handle/ri/29739 |
Resumo: | 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. |
id |
UFBA-2_985c1c606a87e81e16bf8a601277287a |
---|---|
oai_identifier_str |
oai:repositorio.ufba.br:ri/29739 |
network_acronym_str |
UFBA-2 |
network_name_str |
Repositório Institucional da UFBA |
repository_id_str |
1932 |
spelling |
Silva, Diego Corrêa daDurão, Frederico AraújoSouza, Rodrigo Rocha Gomes ePamplona Segundo, Maurício2019-05-29T19:16:16Z2019-05-29T19:16:16Z2019-05-292018-12-05http://repositorio.ufba.br/ri/handle/ri/29739A 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.Submitted by Diego Corrêa da Silva (diegocorrea.cc@gmail.com) on 2018-12-12T17:42:18Z No. of bitstreams: 1 main.pdf: 17390997 bytes, checksum: 24069b172601aaac33f5ced6cafd3ef0 (MD5)Rejected by Rafael Nunes (rafaeln@ufba.br), reason: Trabalho rejeitado por não possuir a folha de aprovação com os respectivos nomes da banca examinadora. Aguardamos o envio da mesma para aprovação e disponibilização do trabalho no Repositório. on 2019-03-21T16:56:11Z (GMT)Submitted by Diego Corrêa da Silva (diegocorrea.cc@gmail.com) on 2019-04-15T04:36:14Z No. of bitstreams: 1 main.pdf: 17478735 bytes, checksum: 29d41efad861b878a926de8220c58b56 (MD5)Approved for entry into archive by Jessica Alves (alves.jessica@ufba.br) on 2019-05-29T19:16:16Z (GMT) No. of bitstreams: 1 main.pdf: 17478735 bytes, checksum: 29d41efad861b878a926de8220c58b56 (MD5)Made available in DSpace on 2019-05-29T19:16:16Z (GMT). No. of bitstreams: 1 main.pdf: 17478735 bytes, checksum: 29d41efad861b878a926de8220c58b56 (MD5)Música digitalMúsicasMetadadosLista de RecomendaçãoFiltragem Baseada em ConteúdoOuvido musical: explorando metadados em um sistema de recomendação de músicasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisDepartamento de Ciência da ComputaçãoUFBABrasilinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFBAinstname:Universidade Federal da Bahia (UFBA)instacron:UFBAORIGINALmain.pdfmain.pdfapplication/pdf17478735https://repositorio.ufba.br/bitstream/ri/29739/3/main.pdf29d41efad861b878a926de8220c58b56MD53LICENSElicense.txtlicense.txttext/plain1383https://repositorio.ufba.br/bitstream/ri/29739/4/license.txt690bb9e0ab0d79c4ae420a800ae539f0MD54TEXTmain.pdf.txtmain.pdf.txtExtracted texttext/plain128279https://repositorio.ufba.br/bitstream/ri/29739/5/main.pdf.txt8de619c6266ef37c8e060191de4d5e4fMD55ri/297392022-03-10 14:29:25.462oai:repositorio.ufba.br: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ório InstitucionalPUBhttp://192.188.11.11:8080/oai/requestopendoar:19322022-03-10T17:29:25Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA)false |
dc.title.pt_BR.fl_str_mv |
Ouvido musical: explorando metadados em um sistema de recomendação de músicas |
title |
Ouvido musical: explorando metadados em um sistema de recomendação de músicas |
spellingShingle |
Ouvido musical: explorando metadados em um sistema de recomendação de músicas Silva, Diego Corrêa da Música digital Músicas Metadados Lista de Recomendação Filtragem Baseada em Conteúdo |
title_short |
Ouvido musical: explorando metadados em um sistema de recomendação de músicas |
title_full |
Ouvido musical: explorando metadados em um sistema de recomendação de músicas |
title_fullStr |
Ouvido musical: explorando metadados em um sistema de recomendação de músicas |
title_full_unstemmed |
Ouvido musical: explorando metadados em um sistema de recomendação de músicas |
title_sort |
Ouvido musical: explorando metadados em um sistema de recomendação de músicas |
author |
Silva, Diego Corrêa da |
author_facet |
Silva, Diego Corrêa da |
author_role |
author |
dc.contributor.author.fl_str_mv |
Silva, Diego Corrêa da |
dc.contributor.advisor1.fl_str_mv |
Durão, Frederico Araújo |
dc.contributor.referee1.fl_str_mv |
Souza, Rodrigo Rocha Gomes e Pamplona Segundo, Maurício |
contributor_str_mv |
Durão, Frederico Araújo Souza, Rodrigo Rocha Gomes e Pamplona Segundo, Maurício |
dc.subject.por.fl_str_mv |
Música digital Músicas Metadados Lista de Recomendação Filtragem Baseada em Conteúdo |
topic |
Música digital Músicas Metadados Lista de Recomendação Filtragem Baseada em Conteúdo |
description |
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. |
publishDate |
2018 |
dc.date.submitted.none.fl_str_mv |
2018-12-05 |
dc.date.accessioned.fl_str_mv |
2019-05-29T19:16:16Z |
dc.date.available.fl_str_mv |
2019-05-29T19:16:16Z |
dc.date.issued.fl_str_mv |
2019-05-29 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://repositorio.ufba.br/ri/handle/ri/29739 |
url |
http://repositorio.ufba.br/ri/handle/ri/29739 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Departamento de Ciência da Computação |
dc.publisher.initials.fl_str_mv |
UFBA |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Departamento de Ciência da Computação |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFBA instname:Universidade Federal da Bahia (UFBA) instacron:UFBA |
instname_str |
Universidade Federal da Bahia (UFBA) |
instacron_str |
UFBA |
institution |
UFBA |
reponame_str |
Repositório Institucional da UFBA |
collection |
Repositório Institucional da UFBA |
bitstream.url.fl_str_mv |
https://repositorio.ufba.br/bitstream/ri/29739/3/main.pdf https://repositorio.ufba.br/bitstream/ri/29739/4/license.txt https://repositorio.ufba.br/bitstream/ri/29739/5/main.pdf.txt |
bitstream.checksum.fl_str_mv |
29d41efad861b878a926de8220c58b56 690bb9e0ab0d79c4ae420a800ae539f0 8de619c6266ef37c8e060191de4d5e4f |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA) |
repository.mail.fl_str_mv |
|
_version_ |
1808459580593668096 |