Recomendações musicais baseadas em algoritmos: baixa precisão para os amantes da música não mainstream
Um estudo publicado na revista de acesso aberto 'EPJ Data Science' sugere que recomendações musicais para música de alta energia, como hard rock e hip-hop, podem ser menos precisas do que para ouvintes de outros gêneros musicais.
Algoritmos de IA usados por serviços de streaming de música são melhores em fornecer recomendações precisas para aqueles que gostam de música mainstream. No entanto, os algoritmos muitas vezes perdem a marca quando se trata de recomendações para aqueles que ouvem gêneros musicais não mainstream como hip-hop ou heavy metal. Os autores do artigo de pesquisa referenciado são Dominik Kowald et al. Uma versão anterior citou Elisabeth Lex et al por engano.
Uma equipe de pesquisadores da Graz University of Technology, Know-Center GmbH, Johannes Kepler University Linz, University of Innsbruck, Austria e University of Utrecht, na Holanda, comparou o quão precisas eram as recomendações musicais geradas por algoritmos para ouvintes de música mainstream e não-mainstream.
Eles usaram um conjunto de dados contendo as histórias de escuta de 4.148 usuários da plataforma de streaming de música Last.fm que ouviram principalmente música não mainstream ou principalmente música mainstream (2.074 usuários em cada grupo).
Com base nos artistas ouvidos pelos usuários de música com mais frequência, os autores usaram um modelo computacional para prever a probabilidade de os usuários de música gostarem da música recomendada por quatro algoritmos comuns de recomendação musical.
Eles descobriram que os ouvintes da música mainstream pareciam receber recomendações musicais mais precisas do que os ouvintes de música não-mainstream.
Algoritmo para classificar ouvintes de música
Os autores então usaram um algoritmo para categorizar os ouvintes de música não-mainstream em sua amostra com base nas características da música que eles mais ouviam. Esses grupos eram: ouvintes de gêneros musicais contendo apenas instrumentos acústicos como folk, ouvintes de música de alta energia como hard rock e hip-hop, ouvintes de música com instrumentos acústicos e sem vocais como ambiente, e ouvintes de música de alta energia sem vocais como eletrônica.
Os autores compararam as histórias de escuta de cada grupo e identificaram quais usuários eram os mais propensos a ouvir música fora de seus gêneros preferidos e a diversidade de gêneros musicais ouvidos dentro de cada grupo.
Aqueles que ouviam principalmente músicas como ambiente eram mais propensos a ouvir música preferida pelos ouvintes de hard rock, folk ou eletrônica. Aqueles que ouviam principalmente música de alta energia eram menos propensos a ouvir música preferida pelos ouvintes folk, eletrônico ou ambiente, mas ouviam a maior variedade de gêneros, como hard rock, punk, cantor/compositor e hip-hop,
Os autores então usaram as histórias de escuta dos usuários e um modelo computacional para prever a probabilidade de os diferentes grupos de ouvintes de música não-mainstream gostarem das recomendações musicais geradas pelos quatro algoritmos comuns de recomendação musical.
Eles descobriram que aqueles que ouviam principalmente música de alta energia pareciam receber as recomendações musicais menos precisas e aqueles que ouviam principalmente música, como o ambiente, pareciam receber as recomendações mais precisas.
Algoritmos de recomendação de música tendenciosos
Elisabeth Lex, a autora correspondente, disse: "À medida que quantidades crescentes de música se tornaram disponíveis através de serviços de streaming de música, os sistemas de recomendação de música tornaram-se essenciais para ajudar os usuários a pesquisar, classificar e filtrar extensas coleções de música.
Nossas descobertas sugerem que muitas técnicas de recomendação musical de última geração podem não fornecer recomendações de qualidade para ouvintes de música não-mainstream. Isso pode ser porque os algoritmos de recomendação musical são tendenciosos em relação à música mais popular, resultando em música não-mainstream sendo menos provável de ser recomendada por algoritmos."
"Além disso", acrescentou Elisabeth Lex, "nossos resultados indicam que as preferências musicais daqueles que mais ouvem música, como o ambiente, podem ser mais facilmente previstas por algoritmos de recomendação musical do que as preferências de quem ouve música como hard rock e hip-hop. Isso significa que eles podem receber melhores recomendações musicais.
Os autores sugerem que suas descobertas poderiam informar a criação de sistemas de recomendação musical que fornecem recomendações mais precisas para ouvintes de música não mainstream. No entanto, eles alertam que, como suas análises são baseadas em uma amostra de Last.fm usuários, suas descobertas podem não ser representativas de todos os usuários Last.fm ou usuários de outras plataformas de streaming de música.
Esta área de pesquisa está ancorada no Campo de Especialização "Informação, Comunicação e Computação", um dos cinco focos estratégicos do TU Graz.
“Support the underground: characteristics of beyond-mainstream music listeners” by Dominik Kowald et al. EPJ Data Science