Resumo

Recommending music automatically isn’t simply about finding songs similar to what a user is accustomed to listen, but also about suggesting potentially interesting pieces that bear no obvious relationships to a user listening history. This work addresses the problem known as “cold start”, where new songs with no user listening history are added to an existing dataset, and proposes a probabilistic model for inference of users listening interest on newly added songs based on acoustic content and implicit listening feedback. Experiments using a dataset of selected Brazilian popular music show that the proposed method compares favorably to alternative statistical models.

Recomendar músicas automaticamente não se resume a encontrar músicas similares às que o usuário está habituado a ouvir, trata-se também de sugerir peças potencialmente interessantes que não guardem relações óbvias com o histórico de escuta do usuário. Esse trabalho aborda o problema do “cold start”, onde novas peças sem histórico de escuta são inseridas em uma plataforma existente, e propõe um modelo probabilístico para inferência do interesse de escuta de usuários baseado em conteúdo acústico e feedback implícito de escuta. Experimentos usando um conjunto de músicas populares Brasileiras mostram que o método proposto compara-se favoravelmente a modelos estatísticos alternativos.