SEGMENTAÇÃO ACÚSTICA BASEADA EM K-MEANS PARA MITIGAÇÃO DO VIÉS DE POPULARIDADE EM RECOMENDAÇÕES MUSICAIS
Resumo
Nesta pesquisa, propomos um Sistema de Recomendação Contextual baseado em clusterização acústica. O modelo utiliza o algoritmo K-Means (k = 6) para segmentar um vasto catálogo musical do Spotify em perfis sonoros estatisticamente distintos. A validação estatística por ANOVA One-Way confirmou a distinção de todos os seis clusters (p < 0, 001), garantindo a solidez da segmentação e revelando a estrutura da Cauda Longa. O sistema mapeia esses clusters para contextos de uso (e.g., "Foco"→ Cluster Instrumental) para mitigar o viés de popularidade inerente aos dados. A abordagem demonstrou ter o potencial de elevar o valor de descoberta das recomendações, promovendo a diversidade e atacando a falha de sistemas baseados unicamente em popularidade.
Referências
[1] ADOMAVICIUS, G.; TUZHILIN, A. 2011. Context-aware recommender systems. In Recommender Systems Handbook. Springer, New York, NY, USA.
[2] BURKE, R. 2002. Hybrid recommender systems: Survey and experiments. User Modeling and User-Adapted Interaction 12, 4 (2002), 331–370.
[3] CELMA, O. 2010. Music Recommendation and Discovery in the Long Tail. Springer, Berlin, Heidelberg.
[4] CHARU, C. 2016. Recommender Systems: The Textbook. Springer, Cham, Switzerland.
[5] FISHER, R. 1925. Statistical Methods for Research Workers. Oliver and Boyd, Edinburgh, UK.
[6] GUNAWARDANA, A; SHANI, G. 2015. A survey of accuracy evaluation metrics of recommendation tasks. Journal of Machine Learning Research 10 (2015), 2935–2962.
[7] HUANG, Q.; JANSEN, A.; LEE, J., GANTI, R.; LI, J.; ELLIS, D. 2022. MuLan: A Joint Embedding of Music Audio and Natural Language. arXiv preprint arXiv:2208.12415. https://arxiv.org/abs/2208.12415
[8] JAIN, A. 2010. Data clustering: 50 years beyond K-means. Pattern Recognition Letters 31, 8 (2010), 651–666.
[9] JAIN, T. et al. 2023. Machine Learning Based Music Recommendation System. In 2023 7th International Conference on Intelligent Computing and Control Systems (ICICCS). IEEE, Chennai, India, 105–110.
[10] JHA, M., CHAUDHARY, R.; CHAND, K. 2025. Previsão de músicas do Spotify baseada em aprendizado de máquina. Wiley, Hoboken, NJ, USA, Chapter 8, 145–160.
[11] KAMINSKAS, M.; RICCI, F. 2012. Contextual and Social Music Recommendation. In Proceedings of the 2nd International Workshop on Music Recommendation and Discovery. ACM, Dublin, Ireland, 1–6.
[12] KIM, J.; URBANO, J.; LIEM, C.; HANJALIC, A. 2019. One Deep Music Representation to Rule Them All.? A Comparative Analysis of Different Representation Learning Strategies. Neural Computing and Applications 32, 4 (2019), 1067–1093 DOI: https://doi.org/10.1007/s00521-019-04076-1
[13] LOHMANN, S. 2018. Context-aware content recommendation on news websites. Ph. D. Dissertation. Universität Koblenz-Landau.
[14] MACQUEEN. J. 1967. Some Methods for Classification and Analysis of Multivariate Observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability 1 (1967), 281–297.
[15] MEHROTRA, R. et al. 2021. Auditing and Mitigating Popularity Bias in Music Recommendations. In Proceedings of the 2021 Conference on Human Information Interaction and Retrieval (CHIIR). ACM, Canberra, ACT, Australia, 215–224.
[16] MOELANTS, D. 2002. Preferred Tempo for Dance Music. In Proceedings of the International Conference on Music Perception and Cognition. Causal Productions, Sydney, Australia, 400–403.
[17] PARISER, E. 2011. The Filter Bubble: What the Internet Is Hiding from You. Penguin Press, New York, NY, USA.
[18] PERAL, O. 2024. Sistemas de recomendação do Spotify na descoberta e consumo musical. Master’s thesis. Instituto Universitário de Lisboa (ISCTE).
[19] RICCI, F. et al. 2015. Recommender Systems: Introduction and Challenges. In Recommender Systems Handbook. Springer, New York, NY, USA, 1–34.
[20] RUSSELL, J. 1980. A circumplex model of affect. Journal of Personality and Social Psychology 39, 6 (1980), 1161–1178.
[21] SCHEDL, M. et al. 2018. Current challenges and visions in music recommender systems research. International Journal of Multimedia Information Retrieval 7, 2 (2018), 95–108.
[22] SHINDE, S. et al. 2023. Clusterização Baseada em Aprendizado de Máquina Usando Recursos de Áudio do Spotify. In 2023 3rd International Conference on Data Intelligence and Cognitive Informatics in IoT (IDICAIoT). IEEE, Bengaluru, India, 1–5.
[23] SPOTIFY AB. 2024. Spotify Web API: Audio Features Object. https://developer.spotify.com/documentation/web-api/reference/get-audio-features Acesso em: 14 dez. 2025.
[24] THORNDIKE, R. 1953. Who Belongs in the Family? Psychometrika 18, 4 (1953), 267–276.
[25] TINTAREV, N.; MASTHOFF, J. 2015. Explaining recommendations: Design and evaluation. In Recommender Systems Handbook. Springer, New York, NY, USA, 353–382.
[26] TZANETAKIS, G.; Cook, P. 2002. Musical genre classification of áudio signals. IEEE Transactions on Speech and Audio Processing 10, 5 (2002), 293–302.
[27] WAZLAWICK, R. 2014. Metodologia de Pesquisa para Ciência da Computação. Elsevier Brasil, Rio de Janeiro, RJ, Brazil.
Licença
Copyright (c) 2026 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.