Recomendação de música: comparação entre collaborative filtering e context filtering

Abstract

A massificação de serviços de música online democratizou o acesso a milhões de músicas. No entanto, é impossível para os utilizadores ouvirem e conhecerem todas essas músicas. De modo a auxiliar na sugestão sobre o que ouvir num dado momento, foram desenvolvidos sistemas que recomendam músicas ao utilizador. A técnica de Collaborative Filtering gera recomendações com base nas músicas ouvidas por utilizadores com gostos semelhantes. Apesar de apresentar um bom desempenho, vários investigadores propuseram melhoramentos aos mesmos. Um dos mais referidos é a utilização de informação contextual sobre o utilizador. A relação entre a utilização desta informação em sistemas de recomendação e o aumento da satisfação dos utilizadores foi provada por diversos investigadores. O trabalho desenvolvido nesta dissertação focou-se na comparação entre um algoritmo de recomendação por Collaborative Filtering tradicional e outro baseado em determinados elementos do contexto. Para isso foi proposto e implementado um sistema de recomendação online que integra estas duas abordagens, apoiado numa revisão da literatura. Por fim, este sistema foi utilizado numa experiência de campo online em que qualquer utilizador pôde fazer pedidos de recomendação. Estes pedidos foram servidos alternadamente por cada um dos algoritmos de recomendação, e foram registadas as avaliações dos utilizadores às músicas recomendadas de modo a aferir a sua satisfação com ambas as abordagens. Os resultados obtidos demonstram que a recomendação baseada no contexto foi superior ao Collaborative Filtering, exceção apenas para a fase inicial do funcionamento do sistema em que existiam poucos dados acerca das interações dos utilizadores com as músicas disponibilizadas

The massification of online music services democratized the access to millions of songs. Nevertheless, it is impossible for the users to enjoy and know all those songs. In order to assist in the suggestion about what to listen in a given moment, there have been developed systems which recommend music to the user. The well-known Collaborative Filtering technique generates recommendations based on the interests of users with similar tastes. Despite presenting a good performance, several investigators proposed improvements to it. One of the most mentioned is the use of contextual information about the user. The relationship between the use of this information in recommendation systems and increased user satisfaction has been proven by several investigators. The work developed in this thesis was focused on the comparison between a Collaborative Filtering recommendation algorithm and a Context-based one. In order to achieve that, an online recommendation system that integrates these two approaches was proposed and implemented, supported by a literature review. Finally, this system was used in an online study in which any user could make music recommendation requests. These requests were served alternately by each one of the implemented algorithms and the user’s ratings to the recommendations were recorded in order to assess their satisfaction with both approaches. The results showed that the Context-based recommendation approach was superior to the Collaborative Filtering algorithm, except only for the initial phase of the system operation where there was little music ratings data.