algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales
DESCRIPTION
Cette communication a été présentée le 24 avril 2014, dans le cadre du séminaire Écritures numériques et éditorialisation proposé par le Cité, Sens Public et l’IRI (http://seminaire.sens-public.org/).TRANSCRIPT
![Page 1: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/1.jpg)
Faculté des arts et des sciences École de bibliothéconomie et des sciences de l'information
Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales
Audrey Laplante, Ph. D. Professeure ajointe
Séminaire Écritures numériques et éditorialisation, 24 avril 2014
![Page 2: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/2.jpg)
Les services d’écoute et de vente de musique en ligne
ont des millions de chansons dans leur catalogue
20 millions de pistes
37 millions de pistes
2
![Page 3: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/3.jpg)
Showing 1 - 50 of 5,935,838 Results
rock
3
![Page 4: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/4.jpg)
Solution :
Algorithmes visant à prédire ce qui vous plaira, à partir de vos
activités en ligne
4
![Page 5: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/5.jpg)
5
![Page 6: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/6.jpg)
6
![Page 7: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/7.jpg)
7
![Page 8: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/8.jpg)
Trois types d’algorithme pour les recommandations :
• Filtrage social ou collaboratif
• Filtrage basé sur le contenu
• Hybride
8
Implique parfois l’intervention d’experts
![Page 9: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/9.jpg)
• Approche dominante
• Utilisé par Last.fm
• « fan-to-fan music discovery »
• Goûts musicaux socialement construits
• Concours de popularité
Filtrage collaboratif
9
![Page 10: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/10.jpg)
Adorno et la régression de l’écoute (1938)
10
« Le comportement qui consiste à évaluer est devenu une fiction pour celui qui est assailli de tous côtés par les marchandises musicales standardisées. Il ne peut se dérober à leur supériorité, ni choisir parmi celles qui lui sont présentées : elles se ressemblent si parfaitement qu'on ne peut finalement plus rendre raison d'une préférence qu'en invoquant une circonstance biographique personnelle ou en rappelant le contexte dans lequel on a entendu cette marchandise musicale standardisée. »
![Page 11: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/11.jpg)
Frith sur les préférences musicales (1996)
11
« Our reception of music, our expectations from it, are not inherent in the music itself […] Musical assessment is, as they say, a matter of taste, that involves a judgment which depends on the particular (changing, irrational) social and psychological circumstances of the person making it. »
Lien fort entre musique et identité
• Goûts musicaux = badge social (Frith, 1981; North et Hargreaves, 1999)
![Page 12: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/12.jpg)
• Deux types : – « Machine listening »
• Mufin Audiogen
– Indexation humaine basée sur le contenu • Pandora et le « Music Genome Project » • Indexation par des professionnels • ~ 250 gènes / chansons • Temps requis : 20 minutes / chanson • Taille de la base : env. 1 000 000 de chansons
12
Filtrage basé sur le contenu
![Page 13: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/13.jpg)
13
![Page 14: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/14.jpg)
Westergren sur la taille limitée du catalogue de Pandora :
14
« This may seem counterintuitive, but we struggle more with making sure we’re adding really good stuff. »
![Page 15: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/15.jpg)
• The Echo Nest – « Music intelligence company » – Fournit métadonnées et alogrithmes – Utilisé par 432 applications
• Spotify, Rdio, iHeartRadio
– Recommandations basées sur filtrage social et métadonnées
– Métadonnées pour 35 000 000 de chansons – Provenance des métadonnées :
• « Machine listening » • Information culturelle tirée du Web
– Wikipedia, médias sociaux, critiques d’albums, articles de blogues
15
Systèmes hybrides
![Page 16: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/16.jpg)
• Beats Music • Algorithmes + expertise
humaine • Experts = « curators »
– Créent des playlists – Partenariat avec
blogues, magazines, émissions de radio/télévision…
• Approche similaire pour Google Play Music
16
Tendance récente : expertise humaine
![Page 17: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/17.jpg)
Les algorithmes de recommandations : une
nouvelle forme d’éditorialisation?
17
![Page 18: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/18.jpg)
18
![Page 19: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/19.jpg)
19
Des choix éditoriaux forts sous-tendent la façon dont
sont élaborés les algorithmes de recommandations
![Page 20: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/20.jpg)
Ces choix dictent nos choix musicaux et les musiques auxquelles
on a accès et, en bout de ligne, participent à façonner nos goûts
musicaux
20
![Page 21: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/21.jpg)
Last.fm Pandora AllMusic
• Vampire Weekend
• The National
• St. Vincent • Metronomy
• Broken Bells • Radiohead
• The Shins • Yeah Yeah Yeahs • The xx
• Modest Mouse • Band Of Horses
• The Dreamscapes Project
• Bloc Party
• The Golden Dogs • The Olivia Tremor
Control • Mogwai • Peter Bjorn and
John
Artistes similaires à Arcade Fire
21
![Page 22: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/22.jpg)
• Manque de transparence
• Paramétrage limité
• Grande quantité de données collectées sur chaque utilisateur
22
Enjeux
![Page 23: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/23.jpg)
• The Echo Nest prétend être en mesure d’aider les fournisseurs de services musicaux à :
– repérer les utilisateurs les plus « payants » à partir de leurs activités ;
– orienter leurs algorithmes de façon à mieux servir ce groupe d’utilisateurs.
• On se base notamment sur les travaux en sociologie et en psychologie sur les goûts…
– Changing Highbrow Taste: From Snob to Omnivor (Peterson et Kern, 1996)
Pour finir…
23
![Page 24: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/24.jpg)
Adorno, T. W. (1938). On the fetish character in music and the regression of listening. Dans J. M. Bernstein (dir.), The culture industry : selected essays on mass culture (p. 29-60), 2001. London; New York : Routledge.
The Echo Nest Corporation. (2013). How music services can acquire, engage, and monetize high-value listeners. http://blog.echonest.com/tagged/musicalidentity
Frith, S. (1996). Performing rites: on the value of popular music. Cambridge, Massachussett s: Harvard University Press.
Frith, S. (1981). Sound effects : youth, leisure, and the politics of rock'n'roll. New York : Pantheon Books.
Bibliographie
24
![Page 25: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/25.jpg)
Harvey, Eric. (2014). Station to Station: The Past, Present, and Future of Streaming Music. http://pitchfork.com/features/cover-story/reader/streaming/
North, A. C., & Hargreaves, D. J. (1999). Music and adolescent identity. Music Education Research, 1(1), 75-92. doi: 10.1080/1461380990010107
Peterson, R. A. et Kern, R. M. (1996). Changing Highbrow Taste: From Snob to Omnivore. American Sociological Review, 61(5), 900-907. doi: 10.2307/2096460
Walker, Rob. (2009). The Song Decoders. The New York Times, October 14, 2009. http://www.nytimes.com/2009/10/18/magazine/18Pandora-t.html
Bibliographie
25
![Page 26: Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales](https://reader033.vdocuments.pub/reader033/viewer/2022060117/5585a178d8b42a6c1a8b46fb/html5/thumbnails/26.jpg)
Faculté des arts et des sciences École de bibliothéconomie et des sciences de l'information
Merci ! Pour me contacter : [email protected]