Submitted by Erika Demachki (erikademachki@gmail.com) on 2016-09-09T20:13:04Z No. of bitstreams: 2 Dissertação - Luiz Espíndola de Carvalho Júnior - 2016.pdf: 15198028 bytes, checksum: 7b5fc8e2773e98885ba6164693a0d522 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2016-09-12T14:39:30Z (GMT) No. of bitstreams: 2 Dissertação - Luiz Espíndola de Carvalho Júnior - 2016.pdf: 15198028 bytes, checksum: 7b5fc8e2773e98885ba6164693a0d522 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2016-09-12T14:39:30Z (GMT). No. of bitstreams: 2 Dissertação - Luiz Espíndola de Carvalho Júnior - 2016.pdf: 15198028 bytes, checksum: 7b5fc8e2773e98885ba6164693a0d522 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2016-05-06 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / This research intended to identify the musical genres that represent the four most accessible songs on Brazilian Youtube site in the period 2012-2015 , in view of their stylistic peculiarities , creation processes , production, circulation and reception with them involved , searching clarify to what extent are concerned with the mechanisms of the cultural industry and the corporate structure of the youtube site .The analysis and interpretation of musical works and videos that used the representational as a tool (CHARTIER, 2002; MOSCOVICI, 2003), with the hearing and observing "open" the object and use the three levels of analysis proposed by Ferrara (1984) allowed a foundation and methodological approach for the symbolic interaction.By the way, the search for related quantitative data to the results offered by YouTube Rewind Brazil in four years observed , identified that there is a supremacy of the ‘sertanejo universitário’ gender in three of the four songs observed in the ranking, the only song ranked first not was framed in this genre was classified as ‘carioca´s funk’ .In this context the analysis and interpretation could be still observed elements that coincide with practices related to cultural industry, which also pointed to market demands aimed at potential consumers of profiles for implications of this process with the Filter Bubble mentioned by Pariser (2012) that show the interference of technological advances in cyberspace musical movement.Harvey (2005) , Benjamin (2009) and Bauman (2009) has made it possible to realize this process from another angle , the inevitability of their interaction with the historical social setting and cultural postmodern , with the new sensorium mass that identifies their experiences daily with the result of the processes of creation, production, and circulation of the researched musical work . / Essa pesquisa teve como objetivo identificar os gêneros musicais que representam as quatro músicas mais acessadas no site Youtube brasileiro no período de 2012 a 2015, tendo em vista as suas peculiaridades estilísticas, os processos de criação, produção, circulação e recepção com eles envolvidos, visando esclarecer até que ponto estão implicados com os mecanismos da indústria cultural e com a estrutura corporativa do site youtube. A análise e interpretação das obras musicais e dos vídeos, que utilizaram o representacional como instrumento (CHARTIER, 2002; MOSCOVICI, 2003), junto à audição e observação “abertas” do objeto e da utilização dos três níveis de análise propostos por Ferrara (1984), possibilitaram uma fundamentação e abordagem metodológica referentes ao enfoque do simbólico. Por outro lado, a busca de dados quantitativos relacionados aos resultados oferecidos pelo Youtube Rewind Brasil nos quatro anos observados, permitiu identificar que existe uma supremacia do gênero sertanejo universitário em três das quatro músicas observadas do ranking, a única música classificada em primeiro lugar que não se enquadrou nesse gênero foi classificada como funk carioca. Nesse contexto da análise e interpretação puderam ser constatados ainda elementos que coincidem com práticas relacionadas à indústria cultural, o que apontou também para demandas mercadológicas que visam perfis dos consumidores em potencial, para implicações desse processo com o Filtro Invisível mencionado por Pariser (2012), que evidenciam a interferência dos avanços tecnológicos do cyberspace na circulação musical. Harvey (2005), Benjamin (2009) e Bauman (2009) já possibilitaram perceber esse processo sob outro ângulo, na inevitabilidade de sua interação com o cenário sócio histórico e cultural pós-moderno, com o novo sensorium da massa que identifica as suas experiências cotidianas com o resultado dos processos de criação, produção, e circulação da obra musical abordados.

Surprise is an important component of serendipity. In this research, we address the problem of measuring the capacity of a recommender system at embedding surprise in its recommendations. We show that changes in surprise of an item owing to the growth in user experience, as well as to the increase in the number of items in the repository, are not taken into account by the current metrics and evaluation methods. As a result, in so far as the time elapsed between two measurements grows, they become increasingly incommensurable. This poses as an additional challenge in the assessment of the degree to which a recommender is exposed to unfavourable conditions, such as over-specialisation or filter bubble. We argue that a) surprise is a finite resource in any recommender system, b) there are limits to the amount of surprise that can be embedded in a recommendation, and c) these limits allow us to create a scale up in which two measurements that were taken at different moments can be directly compared. By adopting these ideas as premises, we applied the deductive method to define the concepts of maximum and minimum potential surprises and designed a surprise metric called \"normalised surprise\" that employs these limits. Our main contribution is an evaluation method that estimates the normalised surprise of a system. Four experiments were conducted to test the proposed metrics. The aim of the first and the second experiments was to validate the quality of the estimates of minimum and maximum potential surprise values obtained by means of a greedy algorithm. The first experiment employed a synthetic dataset to explore the limits to surprise to a user, and the second one employed the Movielens-1M to explore the limits to surprise that can be embedded in a recommendation list. The third experiment also employed the Movielens-1M dataset and was designed to investigate the effect that changes in item representation and item comparison exert on surprise. Finally, the fourth experiment compares the proposed and the current state-of-the-art evaluation method in terms of their results and execution times. The results obtained from the experiments a) confirm that the quality of the estimates of potential surprise are adequate for the purpose of evaluating normalised surprise; b) show that the item representation and comparison model that is adopted has a strong effect on surprise; and c) indicate an association between high degrees of surprise and negatively skewed pairwise distance distributions, and also indicate a significant difference in the average normalised surprise of recommendations produced by a factorisation algorithm when the surprise employs the cosine or the Euclidean distance / A surpresa é um componente importante da serendipidade. Nesta pesquisa, abordamos o problema de medir a capacidade de um sistema de recomendação de incorporar surpresa em suas recomendações. Mostramos que as mudanças na surpresa de um item, devidas ao crescimento da experiência do usuário e ao aumento do número de itens no repositório, não são consideradas pelas métricas e métodos de avaliação atuais. Como resultado, na medida em que aumenta o tempo decorrido entre duas medições, essas se tornam cada vez mais incomensuráveis. Isso se apresenta como um desafio adicional na avaliação do grau em que um sistema de recomendação está exposto a condições desfavoráveis como superespecialização ou filtro invisível. Argumentamos que a) surpresa é um recurso finito em qualquer sistema de recomendação; b) há limites para a quantidade de surpresa que pode ser incorporada em uma recomendação; e c) esses limites nos permitem criar uma escala na qual duas medições que foram tomadas em momentos diferentes podem ser comparadas diretamente. Ao adotar essas ideias como premissas, aplicamos o método dedutivo para definir os conceitos de surpresa potencial máxima e mínima e projetar uma métrica denominada \"surpresa normalizada\", que emprega esses limites. Nossa principal contribuição é um método de avaliação que estima a surpresa normalizada de um sistema. Quatro experimentos foram realizados para testar as métricas propostas. O objetivo do primeiro e do segundo experimentos foi validar a qualidade das estimativas de surpresa potencial mínima e máxima obtidas por meio de um algoritmo guloso. O primeiro experimento empregou um conjunto de dados sintético para explorar os limites de surpresa para um usuário, e o segundo empregou o Movielens-1M para explorar os limites da surpresa que pode ser incorporada em uma lista de recomendações. O terceiro experimento também empregou o conjunto de dados Movielens-1M e foi desenvolvido para investigar o efeito que mudanças na representação de itens e na comparação de itens exercem sobre a surpresa. Finalmente, o quarto experimento compara os métodos de avaliação atual e proposto em termos de seus resultados e tempos de execução. Os resultados que foram obtidos dos experimentos a) confirmam que a qualidade das estimativas de surpresa potencial são adequadas para o propósito de avaliar surpresa normalizada; b) mostram que o modelo de representação e comparação de itens adotado exerce um forte efeito sobre a surpresa; e c) apontam uma associação entre graus de surpresa elevados e distribuições assimétricas negativas de distâncias, e também apontam diferenças significativas na surpresa normalizada média de recomendações produzidas por um algoritmo de fatoração quando a surpresa emprega a distância do cosseno ou a distância Euclidiana