samedi 29 octobre 2011

Recommandation et découverte musicale : le tutoriel

Dans le cadre de la 5e conférence ACM (Association for Computing Machinery) sur les systèmes de recommandation (Chicago, 23-27 octobre 2011), Òscar Celma, un chercheur travaillant aujourd'hui pour la base de données Gracenote et Paul Lamere, directeur développement de la plateforme Echonest (co-développeur de l'extension Music Plus pour Chrome), et auteur du blog Music Machinery ont proposé une mise à jour de leur diaporama "Music Recommendation and Discovery".
Cette présentation permet de mieux saisir les différents aspects de la question, même si des passages du document se révèlent vraiment techniques (les algorithmes, l'analyse factorielle, etc.) et s'adressent plutôt aux spécialistes du sujet. Voilà en quelques notes, ce que nous en avons retenu :
Plusieurs facteurs contribuent à une recommandation de qualité :
  • la pertinence (relevance),
  • la nouveauté et la sérendipité (novelty / serendipity),
  • la transparence et la confiance (transparency / trust),
  • l'amplitude (reach),
  • le contexte.
Sont détaillées ensuite les différentes approches de la recommandation musicale :
  • les bases de métadonnées d'experts : Rovi (ex : Allmusic), Gracenote, Pandora
  • le filtrage collaboratif : analyse factorielle, statistiques, probabilités : "les personnes qui ont écouté ceci ont aussi écouter cela"
  • les bases de données reposant sur l'externalisation ouverte, l'intelligence collaborative (Crowdsourcing) : Rate you music, The Hype Machine, LastFM, Wikipédia, etc.
  • l'analyse spectrale des sons musicaux, l'anaylse du rythme, du timbre, de l'harmonie, etc., l'empreinte d'un signal audio (audio fingerprinting)
  • une hybridation de ces différentes approches
Sont examinées aussi la spécificité des méthodes de recommandations d'EchoNest, de Pandora, de BMAT.
Le système de recommandation doit prendre aussi en considération quel type d'usagers il doit cibler, suivant leur degré d'engagement : les experts, les passionnés, les amateurs occasionnels, les indifférents. L'unité de mesure de la performance du système étant évidemment la satisfaction de l'usager.

"Ni tout à fait la même, ni tout à fait une autre"
Le système de recommandation doit naviguer entre plusieurs facteurs en apparence antinomiques : la pertinence et la nouveauté, la popularité et la découverte, en évitant la redondance et l'aléatoire.
Pa exemple, en partant de l'album "Abbey Road" des Beatles, le système doit proposer les Rolling Stones (choix pertinent, populaire, convenu), mais aussi Emitt Rhodes, un songwriter américain beaucoup plus obscur, dont la voix est très proche de celle de Paul McCartney (choix de nouveauté, de découverte).



source : musicmachinery

Aucun commentaire:

LinkWithin

Related Posts Plugin for WordPress, Blogger...