Music recommendation and discovery in the long tail

Actualmente, el consumo de musica esta sesgada hacia algunos artistas muy populares. Por ejemplo, en el ano 2007 solo el 1% de todas las canciones en formato digital representaron el 80% de las ventas. De igual modo, unicamente 1.000 albumes representaron el 50% de todas las ventas, y el 80% de todos los albumes vendidos se compraron menos de 100 veces. Existe, pues, una necesidad de ayudar a los usuarios a filtrar, descubrir, personalizar y recomendar musica a partir de la enorme cantidad de contenido musical existente. Los algoritmos de recomendacion musical existentes intentan predecir con precision lo que la gente quiere escuchar. Sin embargo, muy a menudo estos algoritmos tienden a recomendar o bien artistas famosos, o bien artistas ya conocidos de antemano por el usuario. Esto disminuye la eficacia y la utilidad de las recomendaciones, ya que estos algoritmos se centran en mejorar la precision de las recomendaciones. Con lo cual, tratan de predecir lo que un usuario pudiera escuchar o comprar, independientemente de lo utiles que sean las recomendaciones generadas. En este sentido, la tesis destaca la importancia de que el usuario valore las recomendaciones propuestas. Por ello, modelamos la curva de popularidad de los artistas con el fin de recomendar musica interesante y, a la vez, desconocida para el usuario. Las principales contribuciones de esta tesis son: (i) un nuevo enfoque basado en el analisis de redes complejas y la popularidad de los productos, aplicada a los sistemas de recomendacion, (ii) una evaluacion centrada en el usuario que mide la calidad y la novedad de las recomendaciones, y (iii) dos prototipos que implementan las ideas derivadas de la labor teorica. Los resultados obtenidos tienen importantes implicaciones para los sistemas de recomendacion que ayudan al usuario a explorar y descubrir contenidos que le puedan gustar.