Aplicando aprendizado de máquina para identificação do gosto musical de um indivíduo

Abstract

Descobrir o gosto musical de uma pessoa tem uma aplicação óbvia nos mecanismos de recomendação usados pelos provedores de serviços de música on-line. Estamos interessados em uma aplicação menos óbvia, relacionada ao ambiente de trabalho de um desenvolvedor de software. Neste trabalho em particular, comparamos dois algoritmos usados em mineração de dados como classificadores. O objetivo é comparar Support Vector Machine (SVM) e k-Nearest Neighbor (k-NN) como preditores do gosto musical de um usuário. Para executar o experimento, usamos um banco de dados de músicas que foram previamente classificadas com um rótulo indicando se o usuário gosta ou não de cada música. O banco de dados inclui um conjunto de características das músicas, cada classificador usa as mesmas combinações de características no processo de aprendizado e, em seguida, classifica novas instâncias de músicas de acordo com o gosto previsto para o usuário. Este estudo inicial indicou que o SVM é um melhor preditor do que o k-NN para este contexto particular. Em investigações futuras, pretendemos avaliar o usuário em um ambiente síncrono, nossa hipótese é que pode ser possível entender mais do que o cenário de gosto / não gosto e expandir para o que o usuário quer ouvir em um momento específico, com o qual planejamos capturar o estado emocional atual do usuário. Eventualmente, queremos correlacionar o estado emocional de um desenvolvedor de software com a propensão a defeitos do código escrito.

Keywords

• aprendizado de máquina
• support vector machine
• k-nearest neighbor