SISTEMA DE RECOMENDAÇÃO DE MÚSICAS BASEADO EM REDES SOCIAIS

Transcrição

1 SISTEMA DE RECOMENDAÇÃO DE MÚSICAS BASEADO EM REDES SOCIAIS Cláudio Tosetto Fabiana Lorenzi Orientadora Universidade Luterana do Brasil (Ulbra) Curso de Ciência da Computação Campus Canoas Av. Farroupilha, Bairro São José CEP Canoas - RS RESUMO 30 de novembro de 2011 Este trabalho apresenta o desenvolvimento de uma ferramenta para recomendação de músicas baseada em casos denominada Virtual DJ, que tem como objetivo auxiliar o usuário na escolha de músicas em qualquer ambiente e em qualquer situação. O Virtual DJ é capaz de executar recomendações de acordo com determinadas informações dos amigos do usuário no Facebook. Baseando-se em técnicas de raciocínio baseado em casos fazendo uso do algoritmo do vizinho mais próximo. Foram realizados testes com 57 usuários que utilizaram os dois (2) modos de recomendação do sistema. Com a realização dos testes obteve-se resultados positivos no uso de casos para recomendação de músicas. Palavras - chaves: Raciocínio Baseado em Casos, Inteligência Artificial, rede social, facebook. ABSTRACT Title: Music recommendation system based on social networks This paper describes the development of a tool for cased-based music recommendation called Virtual DJ, which aims to assist the user in the choosing music in any environment and under any situation. Virtual DJ is able to perform certain recommendations according to information from the user s friends network at Facebook based on case-based reasoning techniques and the nearest neighbor algotithm. Tests were conducted with 57 users who used the two (2) modes of the recommendation system. With the tests we obtained extremely positive results in the use cases for music recommendation. Key-words: Case-Based Reasoning; Artificial intelligence; social network and Facebook. 1 INTRODUÇÃO Com o avanço e o desenvolvimento da tecnologia, repara-se hoje, cada vez mais, o aumento do número de usuários de microcomputadores em âmbito mundial. Cada vez mais cresce também o número de usuários da internet e, consequentemente, o número de usuários nas redes sociais conforme apresentado em (Raquel Recuero, 2009). Juntamente com este crescimento de usuários e a facilidade de acesso às informações e arquivos na internet, hoje em dia pode-se facilmente fazer o download de diversas músicas ou de discografias completas de artistas. Diversos usuários possuem uma diversificada base de dados com milhares de músicas de diversos artistas e, dependendo da ocasião, pode ser complicado escolher uma playlist para ser tocada. Levando em conta que uma playlist genérica pode não ser adequada para todas as ocasiões, percebeu-se que se pode explorar a resolução deste problema com a utilização de técnicas de inteligência artificial. Este artigo apresenta o Virtual DJ, uma ferramenta que tem como objetivo recomendar músicas de acordo com a situação atual do usuário, facilitando a administração e execução destes arquivos existentes no microcomputador do mesmo. Considerando as informações de Recuero(2009), aproveitou-se o grande nível de utilização e o alto crescimento de usuários em redes sociais para, também, recomendar músicas de acordo com determinadas informações dos amigos do usuário no Facebook. O artigo está estruturado da seguinte forma: a seção 2 apresenta além dos trabalhos e pesquisas relacionados à área, o referencial teórico que serviu de apoio para o desenvolvimento do trabalho. A seção 3 descreve o funcionamento do projeto. A seção 4 apresenta a metodologia utilizada na implementação do mesmo. Seguindo, a seção 5 apresenta o desenvolvimento do sistema proposto e a seção 6 mostra como foi realizada a validação e os resultados obtidos. Finalmente, são apresentadas as considerações finais do presente estudo. 1

2 2 FUNDAMENTAÇÃO TEÓRICA Esta seção apresenta os principais conceitos necessários para compreensão do trabalho apresentado neste artigo. 2.1 Raciocínios Baseado em Casos Segundo Wangeheim (2003), Raciocínio Baseado em Casos (RBC) é uma abordagem da Inteligência Artificial que tem como objetivo resolver problemas atuais buscando em uma base de dados a solução de um problema semelhante já resolvido. Esta abordagem utiliza técnicas de similaridade para propor uma solução ao problema. O sistema Cyrus foi o primeiro sistema de RBC, desenvolvido na universidade de Yale. Este sistema era baseado na teoria de aprendizagem nomeada de Pacotes de Organização de Memória e no modelo de memórias dinâmicas, primeiras pesquisas realizadas pelo pesquisador Roger Schank. Cyrus é um sistema do tipo pergunta e resposta tendo a agenda de viagens e reuniões do Secretário de Estado Norte-Americano Cyrus Vance como sua base de conhecimento (KOLODNER, 1983). A inteligência de um sistema de RBC é construída com a aquisição de conhecimento e nesta etapa é necessário o auxílio de um especialista no domínio em que o sistema será utilizado. A aquisição de conhecimento consiste em extrair o conhecimento especifico de um especialista em um determinado assunto de interesse comum a finalidade do sistema. Para tal ação, o ideal é realizar entrevistas com um profissional da área, visando questioná-lo primeiramente com perguntas que possam abranger todo o assunto em pauta, deixando o especialista explicar com suas palavras, livre de qualquer influência, a sua experiência e vivência na área. Em um segundo momento, após o estudo das respostas obtidas pela primeira entrevista, aplica-se uma segunda entrevista com o especialista, porém, agora com questões mais especificas que ajudarão a resolver os casos propostos pelo usuário (Riesbeck, 1989). A representação de casos é um aspecto essencial à abordagem de RBC. A forma principal de representação de conhecimento em um sistema de RBC são os casos. Um caso é uma peça de conhecimento contextualizado que registra um episódio em que um problema ou situação problemática foi total ou parcialmente resolvido (Wangenheim, 2003). Para a criação da base de casos, deve-se estruturar a representação dos mesmos. Um caso geralmente é representado com a descrição de uma situação e a descrição da solução. As informações devem ser associadas ao caso. Depois de adquiridas as descrições e tendo a representação dos casos concluída, definese a indexação dos casos. Para tornar possível a recuperação de casos, deve-se definir quais atributos serão usados para a comparação entre os casos e o problema presente, ou seja, é necessário que sejam definidos índices. Índices são as entidades de informação dos casos que serão relevantes para a determinação da similaridade entre os mesmos. Após determinados os índices, deve-se assegurar que um caso será acessado sempre que apropriado. São estes índices que rotulam um caso como sendo capaz de fornecer respostas adequadas ao sistema de RBC, devendo ser fáceis de extrair dos casos, usáveis e disponíveis como pistas na recuperação (Wangeheim 2003). 2.2 Etapas de funcionamento de um sistema RBC Conforme AAdmodt & Plaza (1994), um sistema de RBC segue uma sequência de etapas para resolver problemas. A figura 1 apresenta etapas executadas no ciclo de funcionamento de um sistema de RBC. 2

3 Figura 1 Ciclo de funcionamento de um sistema de RBC (AAdmot & Plaza, 1994) Surgindo um problema, o sistema é capaz de recuperar na base de casos situações semelhantes. O sistema propõe a reutilização da solução do objeto recuperado. Se o mesmo não for capaz de resolver por completo a questão, utiliza-se uma adaptação deste caso recuperado, armazenando esta solução na base de casos. (AAdmodt & Plaza 1994) Recuperação de dados Fernandes (2003) afirma que um dos princípios básicos de sistemas RBC é que problemas com características semelhantes possuem soluções semelhantes, portando, baseando-se nesta premissa utiliza-se o princípio da similaridade para resolução de novos problemas. Os objetivos a serem atingidos e aplicações de sistemas de RBC possuem uma alta variedade, tais como, um arquiteto pode usar RBC para dar um primeiro esboço em um projeto, um mochileiro procurando locais turísticos próximos de uma determinada rota, um chef de cozinha procurando novos pratos para seu cardápio. Tendo uma infinidade de possibilidades para o uso de sistemas RBC, é preciso que primeiramente se defina claramente qual objetivo a ser alcançado, para que seja possível identificar com mais exatidão as características mais relevantes entre os casos. Estas características são de suma importância para a recuperação dos casos mais relevantes e que mais possuem similaridade com o novo problema. A etapa de recuperação de casos basicamente recupera, da base de casos, os casos que possuem maior similaridade com o novo problema, calculando a similaridade entre os casos das bases e o novo problema. A função de recuperação pode utilizar uma métrica, métodos de classificação, e requer que um limiar seja estabelecido para recuperar os casos que ultrapassem esse limite, ou um limite de casos que possam ser recuperados. (FERNANDES, 2003). Segundo Watson(2009), o método do vizinho mais próximo consiste em identificar características (atributos) para a solução do problema. Estes atributos devem ser representados em um sistema de coordenadas, permitindo medir a distancia entre o caso atual e os casos já existentes na base de casos. Existe a possibilidade de um especialista atribuir pesos diferentes aos atributos, casos estes tenham maior importância dentro do problema. A distância entre os casos é calculada através da fórmula apresentada na figura 2. 3

4 Onde: c = Caso armazenado; q = Novo problema; f = Atributo; w = Peso atribuído; sim(c f, q f ) = função de similaridade local Reutilização de dados Figura 2 Fórmula da similaridade: Segundo Wangenheim (2003), a partir do momento da recuperação de uma solução adequada na base de casos, a mesma passa a ser o objeto de uma tentativa de reutilização para a solução do problema atual. A reutilização consiste basicamente da adaptação da solução do caso recuperado ao caso atual. Na maioria dos sistemas de RBC será suficiente que se copie a solução do caso recuperado ao caso atual e se aplique esta solução ou então que se execute a adaptação da solução Revisão de casos A revisão de casos, também conhecida como adaptação de casos, consiste em analisar a solução do caso recuperado e verificar as seguintes possibilidades: se o caso recuperado solucionou o novo problema, aprender com o sucesso, caso contrário, atualizar a solução utilizando conhecimentos específicos do domínio do problema (AAMODT & PLAZA, 1994). Quando se recupera um caso da base que não serve como solução, acaba surgindo à oportunidade de um novo aprendizado a partir desta falha. Conforme Wangenheim (2003), a revisão de casos consiste em duas tarefas Avaliar a solução gerada, se a mesma for considerada útil, aprende-se com o sucesso e continuase com a retenção deste caso. Caso contrário, adaptar o caso para a solução utilizando conhecimentos sobre o domínio da aplicação ou até mesmo informações inseridas pelo usuário. O primeiro passo da revisão consiste em detectar falhas nas soluções recuperadas pelo sistema de RBC, Após a solução estar completa, ou uma parte da mesma estiver completa, a avaliação deve ser executada. Os sistemas RBC possuem dois tipos de revisão de casos: revisão derivativa e transformativa. A revisão derivativa é executada sobre a solução apresentada no caso recuperado, adaptando o mesmo para utilizá-lo no problema e, enquanto a revisão transformativa é executada no sistema que faz a reutilização do caso recuperado, alterando-o de modo a solucionar o problema. Os chamados operadores de transformação são elaborados conforme as diferenças entre o problema de entrada e o caso escolhido (Riesbeck & Schank). A adaptação tem um papel muito importante nos sistemas de RBC. A capacidade dos sistemas resolverem novos problemas está diretamente vinculada à habilidade em adaptar casos antigos a novas soluções. Alguns problemas surgem quando se tenta definir como realizar esta adaptação, existem diversas formas de se adaptar um caso, o que acaba ocasionando algumas dificuldades tais como o de se obter maneiras precisas de selecionar qual caso será mais apropriado para uma determinada situação e possuir conhecimento na base de casos sobre possíveis variações do problema. Para tornar possível a adaptação de casos, as técnicas utilizadas devem se preocupar com aspectos tais como: As diferenças entre o caso passado e o caso atual; 4

5 Qual parte do antigo caso pode ser reutilizada e transferida para o caso atual. Tendo definido essas questões, a solução proposta é modificada tornando-se uma nova solução com a finalidade de satisfazer os requisitos da situação atual (WANGENHEIN,2003) Retenção de casos A retenção de casos é processo de acrescentar novas informações à base de casos. Quando uma nova solução é utilizada para solução de um problema esta é retida na base de casos. Esta etapa exige a verificação dos seguintes procedimentos: qual maneira de selecionar e reter as novas informações adquiridas, como indexar os casos para que sejam facilmente recuperados por similaridade posteriormente e como inserir um novo caso na base de casos (AAMODT & PLAZA, 1994). 2.3 Redes Sociais Segundo Raquel Recuero (2009), redes sociais são estruturas compostas por pessoas ou organizações, conectadas entre si por interesses em comum. As cinco redes sociais mais utilizadas no Brasil são: Orkut 26,9 milhões de usuários; Twitter.com - 8,8 milhões de usuários; Facebook - 8,0 milhões de usuários; Formspring.me - 4,8 milhões de usuários; Sonico - 2,1 milhões de usuários. (Disponível em < > acesso em 21 abril 2011.) A rede social Twitter funciona basicamente como um mensageiro, tendo sido criado inicialmente para uso apenas em smartphones, por este motivo foi excluída sua utilização no sistema Inteligente. O Orkut tem sofrido muito com a utilização de perfis falsos (fakes), o que dificultaria muito a extração de dados, já que informações falsas prejudicariam o desempenho do sistema, por estes motivos seu uso tem caído na mesma proporção em que aumenta a utilização do facebook. O pesquisador Marco Gonzáles (2009) diz que o comportamento das pessoas nas redes sociais é muito semelhante ao comportamento das mesmas em sua vida real. Sendo inclusive grande parte de seus amigos on-line os mesmos amigos de sua vida real. O pesquisador constatou que as pessoas são incrivelmente parecidas com seus contatos em termos de interesses culturais, sua origem, status sócio econômico e em suas preferências em geral, podendo estas tecnologias serem usadas para o desenvolvimento de novos produtos que atendam determinadas populações especificas. (FACHIN, 2009). Com base nessas referências, foi utilizada a rede social facebook para o sistema de recomendação de músicas proposto. 2.4 Sistemas de recomendação de músicas Atualmente existem diversos tipos de sistemas de recomendação de músicas, tendo diversas características. Sendo os mais usados atualmente: Last.FM Este sistema de recomendação (conforme apresentado na Figura 3) permite que o usuário mantenha um registro online das musicas que ouve em qualquer player, Com base no seu gosto musical o Last.FM mais musicas e shows (Celma,2003). Palco Principal - o sistema se foca nas preferências do ouvinte, tendo acesso à quais músicas o mesmo incluiu na sua playlist. A partir desta playlist o sistema busca músicas semelhantes que serão recomendadas ( 5

6 Figura 3 - Tela inicial do sistema de recomendações online Last.fm. Ambos os sistemas são de fácil e eficiente utilização, mas nenhum leva em conta a situação momentânea do usuário e não usam nenhuma rede social para busca de novas recomendações, trabalham apenas com estilos de musicas semelhantes. No trabalho apresentado por Fernandes (2011), o autor apresenta um sistema inteligente proposto com recomendação colaborativa, baseando-se na similaridade da opinião de um usuário comparada a um grupo de usuários, o sistema trabalha recomendando músicas com base na similaridade destas opiniões. Entretanto o sistema não se preocupa com a situação atual do mesmo. Os dados são determinados pelo usuário, o sistema não busca estes dados em um sistema externos, como exemplo, uma rede social. Diversos trabalhos e análises a respeito do assunto já foram abordados, mas todos com o foco apenas na similaridade de estilos musicais, nenhum dos trabalhos analisados buscou a preocupação com o estado momentâneo do usuário ou analisar o gosto musical de amigos, buscando recomendar o que um contato do usuário em uma rede social com gosto musical semelhante ouve. Outro sistema foi apresentado por de Sá (2009), que trata também sobre recomendações de músicas, utilizando a premissa de que o usuário gosta de X também vai gostar de Y, lidando com a similaridade de estilos musicais. Percebe-se que os trabalhos nesta área acabam se focando apenas em similaridade de estilos musicais, não buscando o que o usuário poderia querer ouvir em um determinado momento, de acordo com o local e situação que o mesmo se encontra ou analisando as informações de preferências musicais de seus amigos. Este acaba sendo o foco deste trabalho. 3 PROJETO Conforme apresentado na seção 2.1, a primeira etapa para o desenvolvimento de um sistema de recomendação baseado em casos é a aquisição de conhecimento. Neste trabalho a aquisição de conhecimento foi realizada com dois (2) Djs da empresa A2 sistemas audiovisuais, que trabalham com sonorização de formaturas, eventos e variados tipos de festas no Rio Grande do Sul. A partir da aquisição de conhecimento foram definidos os atributos de um caso e criada uma base de 6

7 casos para ser utilizada pela ferramenta. 3.1 Aquisição de conhecimento A aquisição de conhecimento consistiu em extrair o conhecimento específico de dois especialistas em sonorização de ambientes. Para tal ação, foram realizadas entrevistas com ambos profissionais da área, visando questioná-lo primeiramente de forma geral buscando abranger todo o assunto em pauta, pretendendo deixar assim, os especialistas explicarem com suas palavras, livre de qualquer influência, as suas experiência e vivência na área. A primeira entrevista realizada com os especialistas foi de forma mais natural, com uma conversa pendendo para o lado mais informal, motivando desta forma os DJs a expressarem suas opiniões sobre o assunto de forma não especifica, com respostas de âmbito geral. As perguntas realizadas foram: Como é especificamente o trabalho de um Dj?, Como percebem que o público não esta gostando do repertório apresentado?, Existe um trabalho elaborado antes do evento ou no momento, dependendo do público, clima e ambiente é que se escolhe o repertório?, Que estilos de música vocês acham que os jovens e os adultos têm preferido ouvir ultimamente?, Até que ponto o ambiente influência no que uma determinada pessoa gostaria de ouvir?. As informações adquiridas ajudaram a fornecer uma visão geral do domínio. Em segunda entrevista, após o estudo das respostas obtidas pela primeira entrevista, foi realizado um segundo encontro com os mesmos, porém, agora com questões mais específicas pretendendo, de fato, analisar características que possam resolver os casos propostos pelo usuário. No segundo momento, foi realizada uma entrevista mais estruturada, buscando extrair informações de caráter mais específico acerca do domínio, buscando identificar as características de maior relevância para resolução do problema, estas características foram chamadas de atributos (figura 4). Os atributos identificados foram classificados conforme sua relevância, dando aos mesmos um valor de importância chamado de peso conforme a figura 4. A última fase do processo de aquisição de conhecimento foi a analise do estilo de música escolhido por formandos para sua colação de grau, levando em consideração a época da música, gênero, idade do formando e sexo para fins de avaliar a importância de atributos como sexo e idade do usuário, comparando estas informações com sugestões dadas pelos DJs para usuários com a mesma característica dos formandos. Os atributos idade, sexo e gênero musical foram analisados com mais atenção visando analisar a recomendação de musicas baseado nas informações dos amigos do usuário no facebook. 3.2 Representação de casos Um caso é uma peça de conhecimento contextualizado que registra um episódio em que um problema ou situação problemática foi total ou parcialmente resolvido. (WANGENHEIN,2003) Após a etapa de aquisição de conhecimento foram definidos os atributos de maior relevância para resolução dos casos, São eles: -Humor atual do usuário; -A idade do usuário; -O sexo do usuário; -Informações sobre a companhia ou não da pessoa; -Informações sobre o local na qual a pessoa se encontra; Figura 4 Atributos e valores de um caso Os dados da figura 4 fazem parte da descrição do problema, o sistema faz uso do peso destes 7

8 atributos para realizar os cálculos de proximidade para a recomendação de casos, os valores referem-se aos tipos de dados que o sistema receberá do usuário nos devidos campos da aplicação. Os atributos referentes à descrição da solução são respectivamente: - Sexo: Masculino ou feminino. - Humor: Irritado, alegre, triste, etc. - Estado físico: Cansado, eufórico, etc. - Acompanhado: Sozinho, com amigos, com a namorada. - Local: Em casa, no escritório, em uma festa. - Idade: Idade do usuário. - Futuro humor: Se o usuário busca mudar seu humor atual. De acordo com as entrevistas realizadas com os especialistas, foi identificado que os atributos de maior relevância para a recomendação de casos são o local que o usuário se encontra e o humor atual do mesmo, seguido da idade e se ele esta ou não acompanhado, tendo como pesos de menor relevância o sexo, seu estado físico e seu futuro humor. O futuro humor acabou tendo menor relevância pelo motivo de que o sistema não tem como objetivo mudar o humor do usuário, mas apenas recomendar músicas. 3.3 Recuperação de casos Para solucionar tais problemas, o sistema tem como pilar fundamental de sua lógica a abordagem de RBC. Um sistema baseado em casos trabalha com a idéia da utilização de casos antigos já resolvidos para criar as futuras resoluções. Juntamente com os casos, um especialista no assunto no qual o software tratará ajuda na definição de como e o que seriam as informações necessárias para a resolução de um caso. Para a recuperação e comparação de casos anteriores com o novo caso a ser resolvido, utilizou-se a técnica do algoritmo do vizinho mais próximo. Na aplicação, o usuário entra com os dados da sua atual situação conforme já descrito, podendo omitir alguns dados se desejar, nestes casos o sistema assume um valor padrão para a recuperação dos casos, podendo prejudicar o desempenho do sistema. A partir das informações fornecidas pelo usuário o sistema faz o cálculo de proximidade conforme já explicado. Após este cálculo, o sistema busca na sua base de casos o caso mais relevante para sugeri-lo como possível solução, podendo este ser aceito ou rejeitado pelo usuário. O software conta com um módulo especialista para a inserção e edição de casos na base e um módulo usuário, no qual o programa realmente desempenhará sua função. Para recomendação de músicas baseado nas informações do perfil de amigos no facebook, o usuário deve ter, obrigatoriamente, uma conta na rede social e conexão com internet. Caso não tenha um dos requisitos ele poderá utilizar apenas a recomendação de casos off-line, digitando as características mencionadas acima. 3.4 Retenção de casos Desenvolveu-se uma opção de aprovação de casos, onde o usuário, após receber a solução do problema apresentado, informará ao sistema se a solução proposta está dentro de suas expectativas. Em reprovando o caso recuperado da base de casos, este pode simplesmente executar uma nova busca ou excluir e acrescentar determinadas músicas do playlist proposto, gerando assim um novo caso que será armazenado na base. A recomendação via facebook não possui retenção de casos baseado na premissa que amigos são adicionados e excluídos com o passar dos dias podendo desta forma, mudar completamente as músicas recomendadas. Esta decisão foi tomada levando em conta também que neste caso, o sistema não propõe uma solução para um problema, mas apenas uma recomendação simples de músicas que o usuário provavelmente terá interesse em conhecer. 3.5 Recomendação de músicas baseado no Facebook O usuário pode, além de executar o módulo de recomendação de músicas baseado na sua situação 8

9 momentânea, também fazer requisições de músicas baseado nas informações do perfil de seus amigos na rede social especificada. A ferramenta de desenvolvimento Java disponibiliza uma plataforma de serviços Web com métodos para acessar dados no facebook. Considerando que o usuário possua uma conta na rede social citada acima, a aplicação realiza o login por meio de um método já disponível nesta plataforma. Com o login na rede social realizado, a aplicação busca informações de amigos do usuário, como idade, sexo, e gosto musical, A aplicação faz uma recomendação de músicas baseado nessas informações, levando em conta o gosto musical de amigos com uma faixa de idade semelhante a do usuário. 4 DESENVOLVIMENTO DO SISTEMA O sistema foi desenvolvido fazendo-se uso da plataforma Java, portanto é uma aplicação multiplataforma, o que significa que tanto usuários Windows, Linux, Solaris e até Mac podem executar a aplicação, contanto que tenham a máquina virtual (JRE 6) integrada ao seu sistema operacional. A aplicação possui uma base de dados na qual salvará, editará e recuperará casos. O sistema necessita de um serviço de banco de dados MySql versão 5.1 ou superior para que ele possa usufruir dos recursos que um DBMS oferece com o fim de formar a sua base de casos. As tabelas responsáveis pela organização dos dados no banco são geradas pela própria aplicação necessitando apenas que a base de dados da aplicação esteja disponível para a conexão com o usuário root com uma senha. No desenvolvimento do sistema de recomendação Virtual DJ foi utilizada a ferramenta WEB denominada Glasfish que possibilita chamadas de requisições HTTP. A utilização de requisições HTTP é primordial para a recomendação de músicas utilizando os dados do Facebook. Fez-se uso de métodos da Api Graph que é disponibilizada pelo Facebook e de outros já existentes na biblioteca Restfb, a mesma foi desenvolvida utilizando recursos disponibilizados pelo Facebook para acesso aos dados. A aplicação cria uma subpasta na pasta pessoal do usuário. Nesta subpasta a aplicação armazena os arquivos.mp3 que forem associados à base de dados. A interface gráfica do sistema é composta por um conjunto de telas na qual o usuário faz uso de todos os módulos, menos o módulo destinado para uso exclusivo do especialista, sendo elas: 4.1 Menu inicial O Virtual DJ conta com uma interface gráfica de fácil utilização, podendo o usuário utilizar o mesmo fazendo o uso de menus. Figura 5 Menu Inicial do Virtual DJ A figura 5 representa a tela inicial do programa, onde o usuário decide que tipo de tarefa irá executar no mesmo. O sistema dispõe de três modos, sendo eles modo especialista, usuário e recomendação via redes sociais 9

10 4.2 Módulo Especialista O módulo especialista do sistema é acessado por menus. A finalidade desse módulo é o cadastramento de Entidades que fazem parte do caso, como as músicas no caso da aplicação em pauta e para o cadastramento e edição de casos para os dois tipos de utilização, recomendações desktop ou via rede social. Através do módulo especialista, o profissional especializado pode cadastrar os casos iniciais na base de casos. Esta tarefa é fundamental para enriquecer e deixar mais preciso o desempenho do algoritmo de similaridade implementado no sistema. O especialista também pode pesquisar casos e músicas disponíveis no módulo para possíveis edições ou correções. Figura 6 Tela do modo especialista do Virtual DJ A figura 6 apresenta a tela do modo especialista, onde o profissional especializado pode cadastrar os casos iniciais na base de casos. A pesquisa de casos e músicas também está disponível no módulo para possíveis edições ou correções. 4.3 Módulo Usuário. O módulo usuário é de utilização de todo e qualquer usuário, tendo este módulo a capacidade de recomendar músicas de acordo com os dados inseridos pelo mesmo. Este módulo faz o uso real da finalidade da aplicação. Nele o usuário pode acessá-lo através do menu Módulos > Módulo Usuário e então propor a sua situação problema para que a solução mais adequada lhe seja apresentada. A ação consiste na informação dos atributos que compõem a parte problemática de um caso. Uma vez respondidos os dados e clicado em Processar, a aplicação busca em sua base de dados todos os casos. Com todos os casos carregados em memória, o método processcase da classe CaseProcessor recebe o caso novo ainda sem solução por parâmetro e então calcula, uma-a-uma, as distâncias catersianas (Vizinho mais próximo) entre os casos. 10

11 Figura 7 Tela de informação de atributos do novo problema A figura 7 demonstra a tela do modo usuário, onde o usuário descreve a situação na qual se encontra. Após o cálculo de todas as possibilidades de similaridade, o caso cuja distância é a menor em relação ao novo caso proposto tem a sua solução proposta ao usuário através da camada Player, na qual o usuário pode tirar proveito da playlist gerada pela aplicação, ouvindo as músicas existentes na mesma. Figura 8 Camada do player de músicas (solução do caso) A figura 8 representa o caso já solucionado e com a playlist gerada, podendo o usuário executar as músicas do próprio sistema. 11

12 4.4 Menu de Recomendação via Rede Social A recomendação via rede social é o que difere o Vitual DJ dos demais sistemas de recomendação musical existentes no mercado. Esta recomendação é baseada em algumas informações disponibilizadas no perfil dos amigos do usuário no Facebook. Para a recomendação foi utilizado informações como os gostos musicais, a média de idade dos amigos do usuário. Também foi considerado se o mesmo possui a maioria dos seus amigos do sexo masculino ou feminino. Para a utilização deste módulo o usuário deve possuir uma conta na rede social e conexão com a internet. Figura 9 Interface de recomendação via rede social. A figura 9 representa a tela de recomendação via rede social, onde o usuário coloca o seu access token e solicita a recomendação Desenvolvimento da recomendação via redes sociais. O sistema faz o login na conta do facebook do usuário e busca informações sobre seus amigos de acordo com seus gostos musicais e gêneros musicais, tendo como base para recomendação a base de dados do usuário. Esta busca é realizada através de métodos já existentes na biblioteca restfb.jar, disponibilizada no endereço Esta biblioteca de desenvolvimento faz uso da Api Graph disponibilizada pelo Faceboook, não precisando colocá-la no projeto. Partindo da premissa que os amigos do usuário tenham preenchido de forma adequada suas informações no seu perfil e considerando que o usuário realizará esta consulta em casa e desacompanhado, ignorando as informações de estado de humor, analisou-se as três bandas mais citadas, a média de idade dos amigos e se o usuário possui mais amigos do gênero masculino ou feminino, fazendo assim uma recomendação de músicas ao usuário, baseando-se nas músicas já existentes na base, conforme figura 10. Figura 10 Recomendação de músicas baseado no Facebook 12

13 Analisando a figura 10, elencam-se os seguintes passos: - A aplicação solicita o login na rede social. - Com o login realizado o sistema realiza a busca de informações dos amigos do usuário. - A rede social retorna os dados para a aplicação. - A aplicação analisa os dados recebidos do facebook, descartando os dados irrelevantes para a recomendação. - O sistema busca na base de dados as músicas pelas quais o usuário poderia se interessar. Inicialmente se obtém todos os ids dos amigos do usuário e com um laço de repetição, considerando que todas as informações desejadas foram preenchidas pelos amigos do usuário, buscam-se as informações desejadas, que neste caso são: data nascimento, sexo e gosto musical. O sistema calcula quais as três bandas mais citadas nos gostos musicais, a média de idade de todos os amigos e verifica se o usuário possui mais amigos do sexo masculino ou do sexo feminino. Foi estabelecido, pelo especialista, pesos para estas informações obtidas, sendo eles: Figura 11 - Atributos e valores de um caso Baseado nos dados capturados via rede social e considerando os pesos dos atributos da figura 11, o sistema faz uso do algoritmo do vizinho mais próximo para calcular o caso mais aproximado existente na base de casos, recomendando desta forma uma playlist para o usuário Geração do Access Token Para esta recomendação ser possível é necessário que o usuário realize uma série de procedimentos em sua conta do Facebook, sendo uma delas, a geração do Access Token. O Token é uma chave de permissão disponibilizada pelo Facebook, que permite ao usuário acessar determinados dados de seu perfil e do perfil de seus amigos utilizando uma aplicação externa, neste caso o Virtual DJ. O usuário deve acessar o endereço caso o mesmo não esteja logado com a sua conta no Facebook, o site solicitará a realização de seu login. Após logado o usuário deve clicar no botão + criar novo aplicativo e descrever um nome para a aplicação. Prosseguindo com o processo, o Facebook solicita uma verificação de segurança, bastando digitar as palavras descritas na tela em um campo de texto e clicar no botão enviar. Sua conta precisa estar verificada pelo Facebook, ou seja, o Facebook procura garantir que é o próprio usuário que esta cadastrando uma aplicação externa para acessar seus dados. Esta verificação é feita através da informação do número de seu celular ou do número do seu cartão de crédito, todos os usuários que utilizaram a aplicação fizeram a verificação através do número de celular. O usuário digita o número do seu celular recebendo um código de verificação no seu aparelho celular, após colocar este código recebido no campo solicitado pelo Facebook o usuário passa a ter sua conta verificada. Tendo o usuário cadastrado a aplicação e tendo sua conta já verificada pelo Facebook, o mesmo deve acessar o endereço e clicar no botão Get Access Token e permitir o acesso aos dados utilizados pela a aplicação clicando nas opções friends_birthday e friends_likes. Após este procedimento o usuário recebe do Facebook sua Access Key que é uma string parecida com AAACEdEose0cBAGdK1aHPEbiLa37rLbuEj5tll26LQvdQzemeGmAcKZBa5R45tZBzJk. 13

14 5 VALIDAÇÃO E RESULTADOS Para a realização da validação e análise dos resultados, foi realizado um experimento com 57 usuários. Destes usuários, 39 homens (68,42%) e 18 mulheres (31,58%) estando 46 usuários na faixa etária entre 20 e 30 anos (80,7%) e 11 usuários entre 31 e 40 anos (19,3%). Todos os usuários possuem contas no Facebook e fizeram a utilização do sistema nos seus dois modos, recomendação de músicas de acordo com a situação atual e recomendação baseado em redes sociais. Dentre os usuários que utilizaram o sistema estão 32 estudantes da Universidade Luterana do Brasil (56,1%), 14 profissionais da área de tecnologia da informação (24,6%) e 11 usuários comuns de microcomputadores (19,3%). Os mesmos utilizaram o sistema descrevendo a situação atual que se encontravam ou imaginando uma determinada situação e avaliando as músicas recomendadas. Uma vez a base de dados populada com um número de casos suficiente para a realização dos testes desejados, aplicou-se aos usuários um questionário contendo perguntas referentes à utilização e as músicas recomendadas pelo sistema. Este questionário foi composto com as seguintes perguntas Você gostou das músicas recomendadas pelo sistema baseando-se no gosto musical de seus amigos do Facebook?, Quantas músicas o sistema recomendou que você gostou?, Você utilizaria um sistema desktop de recomendação de músicas baseado na situação em que você se encontra?, Você utilizaria um sistema de recomendação de músicas baseado no gosto musical de seus amigos do Facebook?, Você achou muito complicado utilizar a recomendação baseado na dificuldade de cadastrar a aplicação junto ao Facebook? e Se este sistema fosse um aplicativo do Facebook, onde com apenas um clique recebesse a recomendação musical, acharia interessante a utilização do aplicativo?. 5.1 Análise da recomendação no modo usuário Na análise dos resultados relativos ao uso do sistema no modo usuário, onde o mesmo descreve sua situação atual, os resultados foram analisados em dois grupos de gêneros distintos, com o objetivo de analisar as opiniões dos usuários do sexo masculino e feminino. Figura 12 Analise dos resultados da recomendação separados no modo usuário. A figura 12 representa o gráfico da análise dos resultados das recomendações do sistema em seu modo usuário, onde dos 39 usuários do sexo masculino, 28 usuários (71,8%) aprovaram as músicas recomendadas para a situação que os mesmos descreveram e 11 usuários (28,2%) reprovaram a recomendação. Dos 18 usuários do sexo feminino, 12 (66,7%) aprovaram a recomendação e 06 (33,3%) responderam de forma negativa ao sistema. Os usuários que responderam de forma negativa a recomendação alegaram não ter gostado do gênero musical recomendado pelo sistema. Considerando os resultados, percebeu-se que o sexo não é um fator determinante na recomendação. Esta afirmação é considerada verdadeira tendo em vista que a porcentagem de usuários masculinos que gostaram das músicas recomendadas é muito similar a porcentagem de usuários do sexo feminino que utilizaram a recomendação. 14

15 5.2 Análise da recomendação via rede social Dos 57 usuários, 41 (71,9%) responderam que gostaram de todas ou da maioria das músicas recomendadas pelo sistema baseando-se no gosto musical de seus amigos no Facebook, o restante, 16 usuários (28,1%) alegaram não ter gostado de nenhuma ou não ter gostado da maioria das músicas recomendadas. Figura 13 Avaliação das músicas recomendadas A figura 13 demonstra 02 gráficos contendo os resultados obtidos, separando os gráficos por usuários que responderam de forma positiva ao sistema e usuários que responderam de forma negativa. Analisando os 41 usuários que responderam de forma positiva a recomendação do sistema, 20 usuários (48,8%) gostaram de 03 das 05 músicas recomendadas, 14 usuários (34,1%) gostaram de 04 das 05 músicas recomendadas e 07 usuários (17,1%) responderam positivamente a 100% das músicas recomendadas. Por outro lado, analisando os 16 usuários que responderam de forma negativa ao sistema, 07 deles (43,75%) admitem ter gostado de apenas 02 das 05 músicas recomendadas, 05 usuários (31,25%) acharam apenas uma (1) das músicas interessante e quatro (4) usuários(25%) admitiram descartar todas as músicas recomendadas pelo sistema de seu playlist. Analisando uma futura aceitação do sistema no mercado, foi elaborada uma pergunta aos usuários considerando este fator, onde, dos 57 usuários, 29 (50,9%) afirmam que fariam uso do sistema em seus microcomputadores, 17 usuários (29,8%), apesar de considerar interessante a abordagem do sistema, não o utilizariam e 11 usuários (19,3%) descartaram qualquer interesse na abordagem e utilização do mesmo conforme ilustrado no gráfico da figura 14. Figura 14 Avaliação dos usuários sobre a futura utilização 5.3 Dificuldades encontradas Como descrito na seção deste artigo, para ser utilizada a recomendação de musicas via rede social é necessária a geração do Acess Token. Assim como também é necessário que o usuário autorize, junto ao facebook, que uma aplicação externa acesse seus dados privados na rede social, na qual o usuário não sabe o que esta aplicação realmente faz com suas informações. Todos os usuários demonstraram 15

16 desconfiança da aplicação ao realizar todo o processo de autorização,tendo os mesmos aceitado realizar o processo completo devido ao fato de conhecer e confiar no autor do sistema. Figura 15 Gráfico de insatisfação dos usuários ao gerar o Acess Token A figura 15 demonstra a insatisfação dos usuários em ter que executar o processo de geração do Acess Token, onde 41 dos 57 usuários (71,9%) demonstraram total insatisfação e consideraram um o processo extremamente complicado e difícil. Sete (7) usuários (12,3%) consideraram o processo difícil mas alegaram não se importar com o mesmo pelo fato de ter gostado da abordagem e idéia do sistema. Nove (9) usuários (15,8%) não consideraram o processo complicado e entenderam que o mesmo era por motivos de segurança da rede social. Este fator foi o principal responsável pela dificuldade de encontrar usuários dispostos a utilizar o sistema. Foi constatado também que este sistema tornar-se-ia mais confiável se o mesmo fosse migrado para um aplicativo do próprio Facebook, onde o usuário com apenas um clique obtivesse a sua recomendação no próprio ambiente da rede social. Esta migração, além de tornar o sistema mais confiável também aumentaria consideravelmente a sua utilização. Figura 16 Aceitação do sistema como um aplicativo do Facebook O gráfico apresentado na figura 16 representa a porcentagem de usuários que admitiram que utilizariam o sistema se o mesmo fosse um aplicativo do facebook. Percebe-se que aceitação seria alta, mesmo que utilizado apenas por curiosidade. 16

17 6 CONCLUSÃO Com o avanço e o desenvolvimento da tecnologia, repara-se hoje cada vez mais, o aumento do número de usuários de microcomputadores em âmbito mundial, assim como também se percebe a facilidade de acesso e download de arquivos musicais na internet. Diversos usuários possuem uma diversificada base de dados com milhares de músicas de diversos artistas. Considerando a dificuldade de um usuário de escolher uma playlist a ser tocada em uma determinada situação, percebeu-se que se pode explorar a resolução deste problema com a utilização de técnicas de inteligência artificial. Com este estudo, constatou-se na prática que esta técnica inteligente pode ser explorada com sucesso dentro destes sistemas, devido as aceitação positiva da maioria dos usuários as recomendações. Na grande maioria dos trabalhos, literaturas e artigos científicos pesquisados para o desenvolvimento do Virtual DJ, percebeu-se que em sistemas de recomendação se faz o uso da aplicação de diferentes técnicas, sendo o algoritmo do vizinho mais próximo uma técnica muito confiável. Com este estudo foi possível constatar que é viável utilizar esta técnica com bastante segurança e confiabilidade. O desenvolvimento deste sistema foi apenas para estudar e trabalhar com a abordagem de RBC e a possibilidade de importação de dados de usuários de uma rede social. Com a utilização do algoritmo do vizinho mais próximo para a recomendação de músicas, obteve-se um resultado médio de 70% de aprovação dos usuários. Este resultado pode atingir porcentagens maiores de satisfação na medida em que a base de caso atingir maiores números de casos cadastrados. Percebeu-se que o gênero do usuário não possui uma influência considerável na aceitação da recomendação. Esta afirmação é concretizada analisando a proximidade das porcentagens de aceitação dos usuários dos dois sexos. As porcentagens de aceitação são de 71,8% para os homens e 67,7% para as mulheres. Constatou-se também que, ao executar o cálculo da média de idade dos amigos do usuário, 92% deles obtiveram a média de idade com desvio padrão não superior a 05 anos. Fazendo uso dos resultados obtidos, considerando o fato do sistema recomendar músicas baseado no gosto dos amigos do usuário, conclui-se que as pessoas tem preferências parecidas com seus contatos em termos de interesses musicais, culturais, em suas preferências em geral, podendo, estas tecnologias, serem usadas para o desenvolvimento de novos produtos, que atendam determinadas populações específicas, como já havia afirmado o pesquisador Gonzáles (FACHIN Patrícia, 2009). O virtual DJ pode ser melhorado futuramente através de mais informações dos amigos do usuário na rede social, aumentando desta forma o número de atributos e consequentemente a precisão do algoritmo de recomendação. Este trabalho também pode ser evoluído sendo migrado para um sistema web ou até mesmo um aplicativo do próprio Facebook. 17

18 REFERÊNCIAS BIBLIOGRÁFICAS AAMODT, A.; PLAZA, E. Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. AI Communications. Vol. 7, Nº1, AGUIAR, Sonia. Redes Sociais na Internet: desafios à pesquisa. Trabalho apresentado no VII Encontro dos Núcleos de Pesquisa em Comunicação e XXX Congresso Brasileiro de Ciências da Comunicação Santos 29 de agosto a 2 setembro de Disponível em: < Acesso em: 20 Abr BARRETO, J. M. Inteligência Artificial no Limiar do Século XXI. 2ª Ed. Florianópolis, Celma, Óscar, Music recomendation and discovery, BMAT, Barcelona, FACHIN, Patrícia. Facebook: um meio de socialização on-line. Revista do Instituto Humanista Unisinos, Edição 290, Ano IX, São Leopoldo, 21 de abril de Disponível em: < Acesso em: 22 Abr FERNANDES, A. M. R. Inteligência Artificial Noções Gerais. Florianopolis: Visual Books, FERNANDES, Daniel Mantovani; SOARES, Milton Aparecido; CAMPOS, Rafael Raza, Universidade Estadual Paulista "Júlio de Mesquita Filho, Relatório Final Sistema de Recomendação de Música. < Acesso em: 22 Abr KOLODNER, J. L. Case-Based Reasoning. Morgan Kaufmann Pub., Inc LAST.FM Site de recomendações de músicas. Disponível em < Acesso em: 21 Abr Os 5 sites de relacionamento mais usadas no Brasil. Disponível em < Acesso em: 22 Abr PALCO PRINCIPAL Site de recomendações de músicas. Disponível em < Acesso em: 21 Abr RECUERO, Raquel. Redes Sociais na Internet. Porto Alegre, p. RIESBECK, Christopher K.; SCHANK, Roger C. Inside case-based reasoning. Lawrence Erlbaum Associates Inc SÁ, Simone Pereira de. Se você gosta de Madonna também vai gostar de Britney! Ou não? Gêneros, gostos e disputa simbólica nos Sistemas de Recomendação Musical. < Acesso em: 22 Abr WANGENHEIN, Christiane Gresse Von; WANGENHEIN, Aldo Von. Raciocínio Baseado em Casos. Barueri, SP: Manole,