Cada vez hay más contenido en los servicios de transmisión de música, por lo que los sistemas de recomendación se han vuelto esenciales para ayudar a los s a buscar, clasificar y filtrar colecciones extensas.
Sin embargo, esto no siempre funciona como quisiéramos. Y los fanáticos de la música alternativa o no convencional lo saben mejor que nadie: no siempre pueden fiarse de las recomendaciones automáticas.
Lo anterior fue confirmado por un estudio austríaco que analizó la precisión de las recomendaciones musicales generadas por los mecanismos de aprendizaje automático.
“La calidad de muchas técnicas de recomendación para s de música no convencionales todavía deja mucho que desear”, afirmó Dominik Kowald, autor del estudio y responsable del Área de Investigación en Computación Social en el Know-Center de Austria.
Clasificar a los oyentes
Los investigadores analizaron datos que contenían los historiales de escucha de 4,148 s de la plataforma de transmisión de música Last.fm con gustos bien marcados.
Crearon un modelo computacional para clasificar a los artistas escuchados con mayor frecuencia a partir del cual predijeron la probabilidad de que les gustaran las recomendaciones automáticas.
El algoritmo asignó a los oyentes de música no convencionales en las siguientes categorías, en función de sus preferencias más habituales:
- Géneros musicales con solo instrumentos acústicos (folk)
- Música de alta energía (punk, hard rock, hip-hop)
- Música con instrumentos acústicos y sin voz (ambiental)
- Música de alta energía sin voz (electrónica)
Al comparar el historial de cada grupo, descubrieron que quienes escuchaban música de alta energía recibían las recomendaciones menos precisas, a diferencia quienes preferían la ambiental.
“Descubrimos que los oyentes de música convencional parecían recibir recomendaciones musicales más precisas que los oyentes de música no convencional”, afirmó Elisabeth Lex, investigadora de informática aplicada de la Universidad de Tecnología de Graz.
Los autores señalaron que el hallazgo podría ayudar al desarrollo de sistemas que brinden recomendaciones más precisas a los oyentes de música no convencionales.
