Modelagem da curiosidade social para diversificação e personalização de recomendações de músicas online.

Abstract

Este trabalho investiga como incorporar curiosidade social para diversificar recomendações em consumo de música online, integrando históricos individuais do LFM-1b e a rede de amizades do Last.fm via \texttt{user-id} e avaliando em partição temporal (4 semanas de treino seguidas de 4 semanas de teste). Foi proposto um método que combina variáveis colativas (novidade, incerteza, conflito e complexidade) com sinais sociais (influências direta e indireta e novidade social) e reordena candidatos de modo a aproximar o estímulo do usuário de sua zona ótima. O protocolo compara duas estratégias: um ranqueador por frequência e um ranqueador orientado por curiosidade, medidos por precisão (MAP@K) e diversidade entre usuários (IUS@K). Em quatro execuções independentes, o ranqueador por frequência superou o de curiosidade em precisão (MAP), sendo em média 1,37× melhor no Top-10, 1,42× no Top-20 e 1,50× no Top-50 (com variações por run de 0,90–2,03×, 0,94–2,08× e 1,02–2,13×, respectivamente). Em contrapartida, o ranqueador por curiosidade superou o de frequência em diversidade entre usuários (IUS), alcançando ganhos médios de 0,69× no Top-10, 1,95× no Top-20 e 3,25× no Top-50 (faixas 0,20–0,93×, 1,73–2,14× e 2,89–3,55×, respectivamente), indicando listas menos homogêneas e maior descoberta conforme o corte do ranking aumenta. Esses resultados evidenciam o trade-off entre precisão imediata e exploração, mostrando que sinais de curiosidade social podem aumentar diversidade com perda controlada de MAP. Como contribuição prática, o estudo entrega um processo reprodutível de fusão histórico-social e um método de ranqueamento por estímulo; como próximos passos, propõe-se um sistema híbrido que una colaborativo, texto e curiosidade social para melhorar equilíbrio entre relevância e descoberta em cenários de teste temporal.