En los últimos años, la creciente demanda de sistemas de recomendación musical ha impulsado avances en inteligencia artificial y aprendizaje automático. Con un enfoque centrado en el usuario, investigadores de la Universidad de Castilla-La Mancha y la Universidad Monash han desarrollado un marco de recomendación que prioriza las preferencias y hábitos de escucha individuales de un usuario.

Un elemento central de este proyecto es un extenso conjunto de datos recopilados desde Last.fm, que abarca aproximadamente 15 años de reproducciones de un solo usuario, contabilizando más de 90,000 reproducciones de unas 14,000 pistas únicas. Con este historial, el equipo ha logrado crear un sistema que predice las preferencias musicales del usuario en distintos momentos del día, utilizando etiquetas aportadas por la comunidad de Last.fm y características de audio de Spotify.

Este sistema, estructurado como una tubería de cuatro fases, está diseñado para mejorar la experiencia del usuario al proporcionar recomendaciones personalizadas con explicaciones claras sobre por qué una canción específica podría ser adecuada en un momento dado. En la fase inicial, se evalúan las etiquetas de Last.fm más relevantes para predecir las características de audio de Spotify que mejor se alinean con las preferencias del usuario.

El interés de este estudio no solo reside en la personalización del sistema sino también en la transparencia del proceso de recomendación. Las fases incluyen mecanismos que permiten al usuario entender las recomendaciones, similar a la experiencia de recibir consejos personalizados en una tienda de discos local.

Las perspectivas futuras del marco incluyen expandir el modelo para abarcar otros usuarios y mejorar los mecanismos de retroalimentación para incluir más métricas, como la caracterización de la “bailabilidad” de las pistas. De este modo, se esperaría no solo entender mejor los hábitos de escucha individuales sino también proporcionar un control más fino sobre el proceso de recomendación de música.

En definitiva, este enfoque promete una experiencia musical a medida, mejorando no solo la precisión de las recomendaciones, sino también fortaleciendo el vínculo del usuario con el contenido musical.