Sistema de recomendação musical baseado em atributos acústico utilizando técnicas de clustering
Sistema de recomendação musical baseado em atributos acústico utilizando técnicas de clustering
<rodrigo.gama@arapiraca.ufal.br>
O crescimento dos catálogos de streaming
musical tem dificultado localizar conteúdos relevantes em meio a milhões de
faixas disponíveis. Nesse contexto, os sistemas de recomendação desempenham
papel fundamental ao auxiliar usuários na descoberta de músicas compatíveis com
seus interesses e preferências. Este trabalho propõe um sistema de recomendação
musical baseado em clustering acústico em dois níveis, aplicado a um dataset
histórico do Spotify composto por 170.653 faixas. O sistema utiliza o algoritmo
K-Means para segmentar o acervo em macroclusters e subclusters a partir de 9
atributos acústicos e recomenda faixas por similaridade de cosseno no espaço
vetorial padronizado, sem depender de dados comportamentais do usuário. Os
experimentos indicaram K=4 como configuração ótima para os macroclusters,
gerando 11 subclusters no segundo nível. Os resultados sugerem que atributos
acústicos mensuráveis são suficientes para produzir recomendações com critérios
interpretáveis e independentes de histórico de interações.
The continuous growth of music streaming
catalogs has made it increasingly difficult for users to find relevant content
among millions of available tracks. In this context, recommendation systems
play a fundamental role in helping users discover music that matches their
interests and preferences. This work proposes a music recommendation system
based on two-level acoustic clustering, applied to a historical Spotify dataset
comprising 170,653 tracks. The system uses the K-Means algorithm to segment the
collection into macroclusters and subclusters based on 9 acoustic attributes,
and recommends tracks by cosine similarity in the standardized vector space,
without relying on user behavioral data. Experiments indicated K=4 as the
optimal macrocluster configuration, generating 11 subclusters at the second
level. The results suggest that measurable acoustic attributes are sufficient
to produce recommendations with interpretable criteria and no dependency on
interaction history.
Dr. Brito, Patrick Henrique da Silva.
Sistemas de recomendação.
Música digital.
Algoritmos de agrupamento.
Análise de similaridade.