Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
Faculté	
  des	
  arts	
  et	
  des	
  sciences	
  
École	
  de	
  bibliothéconomie	
  et	
  des	
  sciences	
  de	
  l'in...
Les services d’écoute et de
vente de musique en ligne
ont des millions de chansons
dans leur catalogue
20 millions
de pist...
Showing 1 - 50 of 5,935,838 Results
rock
3
Solution :
Algorithmes visant à prédire ce
qui vous plaira, à partir de vos
activités en ligne
4
5
6
7
Trois types d’algorithme pour les
recommandations :
•  Filtrage social ou collaboratif
•  Filtrage basé sur le contenu
•  ...
•  Approche dominante
•  Utilisé par Last.fm
•  « fan-to-fan music discovery »
•  Goûts musicaux socialement construits
• ...
Adorno et la régression de l’écoute (1938)
10
« Le comportement qui consiste à évaluer est
devenu une fiction pour celui q...
Frith sur les préférences musicales (1996)
11
« Our reception of music, our expectations from
it, are not inherent in the ...
•  Deux types :
–  « Machine listening »
•  Mufin Audiogen
–  Indexation humaine basée sur le contenu
•  Pandora et le « M...
13
Westergren sur la taille limitée du
catalogue de Pandora :
14
« This may seem counterintuitive, but we
struggle more with ...
•  The Echo Nest
–  « Music intelligence company »
–  Fournit métadonnées et alogrithmes
–  Utilisé par 432 applications
•...
•  Beats Music
•  Algorithmes + expertise
humaine
•  Experts = « curators »
–  Créent des playlists
–  Partenariat avec
bl...
Les algorithmes de
recommandations : une
nouvelle forme
d’éditorialisation?
17
18
19
Des choix éditoriaux forts
sous-tendent la façon dont
sont élaborés les algorithmes
de recommandations
Ces choix dictent nos choix
musicaux et les musiques auxquelles
on a accès et, en bout de ligne,
participent à façonner no...
Last.fm Pandora AllMusic
•  Vampire
Weekend
•  The National
•  St. Vincent
•  Metronomy
•  Broken Bells
•  Radiohead
•  Th...
•  Manque de transparence
•  Paramétrage limité
•  Grande quantité de données collectées sur
chaque utilisateur
22
Enjeux
•  The Echo Nest prétend être en mesure d’aider
les fournisseurs de services musicaux à :
–  repérer les utilisateurs les ...
Adorno, T. W. (1938). On the fetish character in music and
the regression of listening. Dans J. M. Bernstein (dir.), The
c...
Harvey, Eric. (2014). Station to Station: The Past, Present,
and Future of Streaming Music.
http://pitchfork.com/features/...
Faculté	
  des	
  arts	
  et	
  des	
  sciences	
  
École	
  de	
  bibliothéconomie	
  et	
  des	
  sciences	
  de	
  l'in...
Upcoming SlideShare
Loading in …5
×

Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales

396 views

Published on

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/).

Published in: Education
  • Be the first to comment

  • Be the first to like this

Algorithmes et éditorialisation automatisée : le cas des services de recommandations musicales

  1. 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. 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
  3. 3. Showing 1 - 50 of 5,935,838 Results rock 3
  4. 4. Solution : Algorithmes visant à prédire ce qui vous plaira, à partir de vos activités en ligne 4
  5. 5. 5
  6. 6. 6
  7. 7. 7
  8. 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. 9. •  Approche dominante •  Utilisé par Last.fm •  « fan-to-fan music discovery » •  Goûts musicaux socialement construits •  Concours de popularité Filtrage collaboratif 9
  10. 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. 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. 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
  13. 13. 13
  14. 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. 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. 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
  17. 17. Les algorithmes de recommandations : une nouvelle forme d’éditorialisation? 17
  18. 18. 18
  19. 19. 19 Des choix éditoriaux forts sous-tendent la façon dont sont élaborés les algorithmes de recommandations
  20. 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. 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. 22. •  Manque de transparence •  Paramétrage limité •  Grande quantité de données collectées sur chaque utilisateur 22 Enjeux
  23. 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. 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. 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. 26. Faculté  des  arts  et  des  sciences   École  de  bibliothéconomie  et  des  sciences  de  l'information   Merci ! Pour me contacter : audrey.laplante@umontreal.ca

×