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/).
Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales
1. 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
2. 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
8. Trois types d’algorithme pour les
recommandations :
• Filtrage social ou collaboratif
• Filtrage basé sur le contenu
• Hybride
8
Implique parfois
l’intervention d’experts
9. • Approche dominante
• Utilisé par Last.fm
• « fan-to-fan music discovery »
• Goûts musicaux socialement construits
• Concours de popularité
Filtrage collaboratif
9
10. 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. »
11. 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)
12. • 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
14. 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. »
15. • 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
16. • 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
19. 19
Des choix éditoriaux forts
sous-tendent la façon dont
sont élaborés les algorithmes
de recommandations
20. 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
21. 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
22. • Manque de transparence
• Paramétrage limité
• Grande quantité de données collectées sur
chaque utilisateur
22
Enjeux
23. • 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
24. 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
25. 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
26. Faculté
des
arts
et
des
sciences
École
de
bibliothéconomie
et
des
sciences
de
l'information
Merci !
Pour me contacter : audrey.laplante@umontreal.ca