Sistemas personalizados de recomendação de música operam geralmente recomendando itens para um determinado usuário de acordo com seus dados históricos de escuta. Essa abordagem porém apresenta um caráter guloso a longo prazo pois recomenda itens mais consumidos com maior frequência e deixa de explorar novas possibilidades.
Nesse seminário apresentamos uma estratégia que procura amenizar esse problema balanceando segurança (exploitation) e novidade (exploration) no ato da recomendação. O sistema de recomendação é comparado a um conjunto de máquinas de caça níquel em um problema conhecido como multi-armed bandit da área de aprendizagem reforçada. Alguns resultados práticos extraídos da literatura são apresentados como tendo sido bem sucedidos em situações de recomendação de longo prazo e em situações de novos itens inseridos na base de dados.
Mostraremos técnicas para processamento de gravações cantaroladas com intuito de cálcular níveis de similaridade entre a melodia cantada e arquivos MIDI. Este tipo de processamento é interessante para aplicações de consulta cantarolada, onde um usuário cantarola uma melodia a partir da sua memória e o computador associa melodias encontradas em um repertório de arquivos MIDI, para que o usuário tenha a possibilidade de descobrir mais informações sobre a melodia de sua cabeça.
Teremos uma breve revisão bibliográfica e teremos exemplos de transcrição usando algoritmos como Melodia e ASyMuT. Comentaremos sobre métricas de comparação e veremos alguns resultados gerados com as técnicas apresentadas.