Recomendações Contextuais em Sistemas Inteligentes de Música: Proposta para Otimizar Engajamento e Satisfação no Spotify
Resumo
Este estudo analisa como a personalização contextual em sistemas de recomendação musical, como o Spotify, afeta o engajamento e a satisfação do usuário. A pesquisa qualitativa combinou walkthrough de perfis de consumo distintos e entrevistas com usuários premium. Os resultados preliminares indicam que o algoritmo funciona melhor para perfis lineares e apresenta limitações com usuários de comportamento eclético, oferecendo recomendações repetitivas ou pouco relevantes. Esses achados incipientes sugerem a necessidade de integrar variáveis contextuais e maior transparência, apontando caminhos para sistemas de recomendação mais adaptativos e centrados na experiência do usuárioReferências
Amershi, S. et al. (2019). Guidelines for human-ai interaction. Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems, pages 1–13.
de Freitas Lohmann, A. (2018). Sistemas de recomendação em sites de notícias: contextualização como proposta para o engajamento de usuários. PhD thesis, Universidade do Estado do Rio de Janeiro. Acesso em: 7 out. 2025.
Doshi-Velez, F. and Kim, B. (2017). Towards a rigorous science of interpretable machine learning. arXiv preprint arXiv:1702.08608.
Kischinhevsky, M., Ferreira, G., and Ítala Maduell Vieira (2024). Serendipity on radio and streaming: Between musical discovery and recognition. New Media & Society, 26(11):6533–6551.
Lozano Murciego, Á., Jiménez-Bravo, D. M., Valera Román, A., De Paz Santana, J. F., and Moreno-García, M. N. (2021). Context-aware recommender systems in the music domain: A systematic literature review. Electronics, 10(13):1555.
Nunes, I. and Jannach, D. (2020). A systematic review and taxonomy of explanations in decision support and recommender systems. arXiv preprint arXiv:2006.08672.
Peral, O. R. L. (2024). Sistemas de recomendação do Spotify na descoberta e consumo musical. ISCTE, Lisboa.
Zeng, Z. et al. (2024). A survey of music recommendation systems. ACM Computing Surveys. to appear / in press.
Zhang, Y. et al. (2022). A survey on trustworthy recommender systems. arXiv preprint arXiv:2207.12515.
de Freitas Lohmann, A. (2018). Sistemas de recomendação em sites de notícias: contextualização como proposta para o engajamento de usuários. PhD thesis, Universidade do Estado do Rio de Janeiro. Acesso em: 7 out. 2025.
Doshi-Velez, F. and Kim, B. (2017). Towards a rigorous science of interpretable machine learning. arXiv preprint arXiv:1702.08608.
Kischinhevsky, M., Ferreira, G., and Ítala Maduell Vieira (2024). Serendipity on radio and streaming: Between musical discovery and recognition. New Media & Society, 26(11):6533–6551.
Lozano Murciego, Á., Jiménez-Bravo, D. M., Valera Román, A., De Paz Santana, J. F., and Moreno-García, M. N. (2021). Context-aware recommender systems in the music domain: A systematic literature review. Electronics, 10(13):1555.
Nunes, I. and Jannach, D. (2020). A systematic review and taxonomy of explanations in decision support and recommender systems. arXiv preprint arXiv:2006.08672.
Peral, O. R. L. (2024). Sistemas de recomendação do Spotify na descoberta e consumo musical. ISCTE, Lisboa.
Zeng, Z. et al. (2024). A survey of music recommendation systems. ACM Computing Surveys. to appear / in press.
Zhang, Y. et al. (2022). A survey on trustworthy recommender systems. arXiv preprint arXiv:2207.12515.
Publicado
12/11/2025
Como Citar
SILVA, André Felipe Albuquerque; SILVA, Martony Demes da.
Recomendações Contextuais em Sistemas Inteligentes de Música: Proposta para Otimizar Engajamento e Satisfação no Spotify. In: ESCOLA REGIONAL DE APRENDIZADO DE MÁQUINA E INTELIGÊNCIA ARTIFICIAL DA REGIÃO SUL (ERAMIA-RS), 1. , 2025, Porto Alegre/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 204-207.
DOI: https://doi.org/10.5753/eramiars.2025.16278.
