Técnicas de agrupamiento aplicadas a sistemas de recomendación musical: un estudio académico basado en el reto de Spotify “Million Playlist Dataset Challenge”

Abstract

RESUMEN : La constante evolución de las plataformas digitales de entretenimiento, como Spotify, ha generado desafíos en la mejora continua de sus sistemas de recomendación musical, los cuales se ven exacerbados por la diversidad de gustos de los usuarios, los cambios en el estado de ánimo y el contexto de éstos, la necesidad de descubrir nueva música y la competencia en la industria del streaming. Con el objetivo de abordar estos desafíos, Spotify ha lanzado el concurso "The Spotify Million Playlist Dataset Challenge", promoviendo la investigación en algoritmos de recomendación musical para aumentar la retención de usuarios, la satisfacción del cliente y el tiempo de uso en la plataforma. En el marco del concurso, este estudio se apoya en los datos proporcionados por Spotify para desarrollar un modelo predictivo que permita recomendar canciones a partir de patrones de escucha de los usuarios, teniendo en cuenta variables como la duración de las canciones, los niveles de bailabilidad, energía, instrumentalidad y acústica, entre otros; con el propósito de mejorar la personalización y satisfacción del usuario al usar la plataforma. Los datos utilizados provienen del dataset proporcionado por Spotify para el concurso, el cual comprende más de un millón de playlists y dos millones de pistas. Para abordar esta problemática, se tomó una muestra de mil canciones, seleccionadas para representar una diversidad de géneros y características musicales. Cuando un usuario introduce una playlist, el sistema utiliza algoritmos de agrupamiento para analizar las características de las canciones y generar recomendaciones personalizadas. Este método permite agrupar canciones con atributos similares y sugerir nuevas pistas que se ajustan a los gustos y preferencias del usuario. Para lograr recomendaciones musicales efectivas, se optó por un modelo de agrupamiento K-Means con seis grupos, el cual ha demostrado ser eficaz, alcanzando un error cuadrático medio (MSE) de 0.08%, lo que indica una alta precisión y un bajo sesgo en las recomendaciones generadas, asegurando que éstas son tanto relevantes como personalizadas para los usuarios de la plataforma.