Tolkens eget arbeid; språklige/kommunikasjonsmessige utfordringer

Pachet et al. (2001) apresentam uma abordagem de classifica¸c˜ao baseada na an´alise de similaridade e correla¸c˜ao de artistas e m´usicas que coocorrem em playlists de esta¸c˜oes de r´adio e em ´albuns de coletˆaneas musicais. Com isso, foi introduzida uma forma de se extrairem automaticamente similaridades entre m´usicas e artistas. A t´ecnica propor- ciona uma matriz de distˆancias para conjuntos arbitr´arios de itens e os experimentos foram conduzidos em diversas bases de m´usicas e artistas. Os resultados preliminares mostram que a t´ecnica consegue extrair similaridades entre itens, em pequenas bases de dados.

Kuo et al. (2005) prop˜oem um modelo para recomenda¸c˜ao de m´usicas com base em emo¸c˜oes, onde consultas expressadas por emo¸c˜oes retornar˜ao m´usicas com caracter´ısticas relacionadas `as emo¸c˜oes definidas na consulta. O processo de constru¸c˜ao do modelo inclui a extra¸c˜ao de caracter´ısticas de m´usicas de filmes, a detec¸c˜ao de emo¸c˜oes no segmento do filme e a descoberta de associa¸c˜oes entre caracter´ısticas de m´usicas e emo¸c˜oes, atrav´es de um grafo de afinidade. O resultado experimental mostra que o m´etodo proposto atinge,

20 Trabalhos relacionados

na m´edia, 85% de precis˜ao.

Neubarth et al. (2012) demonstram como a minera¸c˜ao de regras de associa¸c˜ao pode ser aplicada para se descobrirem rela¸c˜oes entre duas ontologias da m´usica folk : gˆenero e regi˜ao. O m´etodo consiste em um modelo de regras e medidas de avalia¸c˜ao para iden- tificar diferentes categorias de associa¸c˜oes entre gˆeneros e regi˜oes. Dadas as associa¸c˜oes entre pares de caracter´ısticas de conte´udos de m´usicas (gˆeneros e regi˜oes), o m´etodo identifica combina¸c˜oes de conte´udo-regi˜ao, conte´udo-gˆenero e regi˜ao-gˆenero.

Liu et al. (2008) apresentam uma abordagem n˜ao-supervisionada para agrupamento de m´usicas, a partir de caracter´ısticas extra´ıdas de seus sinais de ´audio. Desse modo, as m´usicas s˜ao divididas em grupos, onde o n´umero de grupos pode ser determinado automaticamente pela minimiza¸c˜ao estimada Rand Index. Assim, a informa¸c˜ao contida em cada grupo formado pode servir como entrada para o aumento de acur´acia na iden- tifica¸c˜ao de caracter´ısticas chaves em m´usicas, gra¸cas `a forte correla¸c˜ao entre m´usicas em um grupo espec´ıfico.

Mahajan et al. (2012) utilizam implementa¸c˜oes dos algoritmos Apriori e Sequential

Pattern Mining (SPAM), para buscar padr˜oes sequenciais frequentes em uma base de

dados contendo bilh˜oes de classifica¸c˜oes de usu´arios em m´usicas (Yahoo! Music). A partir desses padr˜oes descobertos, ´e poss´ıvel saber quais sequˆencias de m´usicas s˜ao fre- quentemente ouvidas e em qual ordem elas s˜ao recomendadas, al´em de possibilitar a predi¸c˜ao de sequˆencias de classifica¸c˜oes em m´usicas de usu´arios com gostos semelhantes. Aizenberg et al. (2012) apresentam um modelo probabil´ıstico para recomendadores de m´usicas. O modelo de filtragem colaborativa, ou do inglˆes Collaborative Filtering (CF), utiliza m´etodos para analisar padr˜oes de escuta, ou outros tipos de retornos, de diversos usu´arios, para que assim, sejam estabelecidas similaridades entre usu´arios e itens. Para demonstrar sua capacidade de modelar e estabelecer padr˜oes atrav´es de faixas, artistas e r´adios, o modelo foi aplicado em uma cole¸c˜ao de metadados, coletados atrav´es de 4147 esta¸c˜oes de r´adios na internet, em um per´ıodo de 15 dias. O artigo mostra que, quando devidamente analisadas, esta¸c˜oes de r´adio formam uma excelente cole¸c˜ao de sinais musicais gerados por pessoas, permitindo a modelagem de faixas e artistas, relacionar faixas e acompanhar as tendˆencias populares. Como resultados, s˜ao apresentados os importantes benef´ıcios que o modelo CF traz para os sistemas de recomenda¸c˜ao.

Koenigstein et al. (2011) tamb´em apresentam um modelo para recomenda¸c˜ao de m´usicas, que ´e baseado em uma matriz de fatora¸c˜ao e incorpora uma an´alise temporal

Trabalhos relacionados 21

de classifica¸c˜ao dos usu´arios e as tendˆencias populares. No artigo, ´e descrito um m´etodo para compartilhamento de informa¸c˜oes entre diferente itens de mesma taxonomia, que pode atenuar um efeito causado pelas t´ecnicas de Collaborative Filtering, conhecido como cold-start, onde o consumo de m´usicas est´a inclinado para alguns artistas mais populares, tornando insuficiente a classifica¸c˜ao de artistas menos conhecidos.

Lidy and Rauber (2006) apresentam um m´etodo para tra¸car perfis de esta¸c˜oes de r´adio, onde ´e poss´ıvel obter qual ´e o foco das mesmas. ´E utilizada a t´ecnica Self-

Organizing Maps para organizar as programa¸c˜oes das esta¸c˜oes de r´adio em um mapa

bidimensional. A partir do mapa gerado, s˜ao derivados perfis visuais das r´adios, con- siderando o que ´e mais predominante na programa¸c˜ao, como por exemplo, m´usicas de determinados gˆeneros, propagandas ou participa¸c˜oes de ouvintes por telefone. Com isso, o usu´ario tem a possibilidade de selecionar as r´adios que mais se adequam ao seu gosto. Ragno et al. (2005) mostram uma forma de inferir semelhan¸cas entre objetos, de ´audio ou v´ıdeo, com base na proximidade de suas ocorrˆencias. Na t´ecnica, ´e constru´ıdo um grafo onde as m´usicas representam os n´os e as arestas contˆem pesos que representam a proximidade entra as m´usicas. Atrav´es dessa t´ecnica, dada uma m´usica ou um artista, pode-se gerar uma playlist com as m´usicas relacionadas.

Todos os trabalhos citados se relacionam com este, pois apresentam estudos e an´alises sobre m´usicas e esta¸c˜oes de r´adios na internet, sob o ponto de vista da computa¸c˜ao. No entanto, o foco do presente trabalho ´e a an´alise dos padr˜oes das m´usicas executadas nas r´adios, com a finalidade de se entender como s˜ao definidas as programa¸c˜oes musicais e como estas sofrem influˆencia de acontecimentos externos e de outras m´ıdias, como TV e internet. Esse foco n˜ao foi observado em trabalhos relacionados.