Aplicando aprendizado de máquina para identificação do gosto musical de um indivíduo

Descobrir o gosto musical de uma pessoa tem uma aplicação óbvia nos mecanismos de recomendaçãousados pelos provedores de serviços de música on-line. Estamos interessados em uma aplicação menosóbvia, relacionada ao ambiente de trabalho de um desenvolvedor de software. Neste trabalho em particular,comparamos dois algoritmos usados em mineração de dados como classificadores. O objetivo é compararSupport Vector Machine (SVM) e k-Nearest Neighbor (k-NN) como preditores do gosto musical de um usuário.Para executar o experimento, usamos um banco de dados de músicas que foram previamente classificadascom um rótulo indicando se o usuário gosta ou não de cada música. O banco de dados inclui um conjuntode características das músicas, cada classificador usa as mesmas combinações de características no processode aprendizado e, em seguida, classifica novas instâncias de músicas de acordo com o gosto previsto parao usuário. Este estudo inicial indicou que o SVM é um melhor preditor do que o k-NN para este contextoparticular. Em investigações futuras, pretendemos avaliar o usuário em um ambiente síncrono, nossa hipóteseé que pode ser possível entender mais do que o cenário de gosto / não gosto e expandir para o que o usuárioquer ouvir em um momento específico, com o qual planejamos capturar o estado emocional atual do usuário.Eventualmente, queremos correlacionar o estado emocional de um desenvolvedor de software com a propensãoa defeitos do código escrito.