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.
www.musicovery.com
11/06/2012 Page 1
Vincent Castaignet
Musicovery CEO
05/2014
Labo de l’Edition, 20 mai 2014
La recommand...
www.musicovery.com
11/06/2012 Page 2
En quoi consiste une recommendation?
Proposer à une personne
à partir :
• d’un histor...
www.musicovery.com
11/06/2012 Page 3
L’univers musical d’un auditeur
Influencers I
trust
My tribe
My
friends
Influencers
I...
www.musicovery.com
11/06/2012 Page 4
Recommendation versus
similarité
• La recommandation est généralement associée à
• Me...
www.musicovery.com
11/06/2012 Page 5
Exemple 1
• Vous voulez commencer une playlist avec
“Psy – Gangnam style”
• La plupar...
www.musicovery.com
11/06/2012 Page 6
Exemple 2
• Vous aimez les Beatles et vous voulez
découvrir des artistes qui ont le m...
www.musicovery.com
11/06/2012 Page 7
Exemple 3
• Vous aimez “The Clash – Rock the casbah”
et voulez écouter des titres sim...
www.musicovery.com
11/06/2012 Page 8
Les types de données utiles pour
produire des recommandations
Descripteurs
sémantique...
www.musicovery.com
11/06/2012 Page 9
Manières de produire les données
sur le contenu
• Automatiquement:
o À partir du sign...
www.musicovery.com
11/06/2012 Page 10
Le filtrage collaboratif:
le plus efficace au moindre effort
• Principe:
o Basé sur ...
www.musicovery.com
11/06/2012 Page 11
Catégoriser le contenu
• Principe:
o Attribuer des descripteurs pour générer des cla...
www.musicovery.com
11/06/2012 Page 12
Problèmes des systèmes de
recommandations
• Qualité médiocre description: ex. indexa...
www.musicovery.com
11/06/2012 Page 13
Approche de Musicovery
• Objectifs:
o Fournir un service simple car très personnalis...
www.musicovery.com
11/06/2012 Page 14
Enseignements pour le livre
• A minima:
o Filtrage collaboratif, catégories générale...
Upcoming SlideShare
Loading in …5
×

La Recommandation Personnalisée - Musicovery par Vincent Castaignet

576 views

Published on

Published in: Technology
  • Be the first to comment

  • Be the first to like this

La Recommandation Personnalisée - Musicovery par Vincent Castaignet

  1. 1. www.musicovery.com 11/06/2012 Page 1 Vincent Castaignet Musicovery CEO 05/2014 Labo de l’Edition, 20 mai 2014 La recommandation personnalisée: quelles innovations pour le livre numérique ?
  2. 2. www.musicovery.com 11/06/2012 Page 2 En quoi consiste une recommendation? Proposer à une personne à partir : • d’un historique de comportements/préférences • d’un contenu visité/recherché des suggestions, qui peuvent prendre la forme • d’une liste de contenus • d’une expérience plus riche (ex. smart radio) 05/2014
  3. 3. www.musicovery.com 11/06/2012 Page 3 L’univers musical d’un auditeur Influencers I trust My tribe My friends Influencers I trust I don’t like My activities Music I don’t know I know My favorites 05/2014
  4. 4. www.musicovery.com 11/06/2012 Page 4 Recommendation versus similarité • La recommandation est généralement associée à • Mettons ces concepts de “découverte” et “similarité” à l’épreuve découverte contenu similaire 05/2014
  5. 5. www.musicovery.com 11/06/2012 Page 5 Exemple 1 • Vous voulez commencer une playlist avec “Psy – Gangnam style” • La plupart des systèmes de recommandation suggèrent des artistes coréens : • Quel est le problème avec ces recommandations ? o Les occidentaux pas d’intérêt /pop coréenne o Contexte prédominant pour écouter cette chanson 05/2014
  6. 6. www.musicovery.com 11/06/2012 Page 6 Exemple 2 • Vous aimez les Beatles et vous voulez découvrir des artistes qui ont le même son • Des groupes qui ont un son très similaire aux Beatles: • Mais voulez-vous écouter des clones des Beatles ? Pendant 4 heures ? • Recommendations trop similaires => ennuyeux The Hollies The Monkees The Idle Race The Chocolate Watchband Apples in Stereo 05/2014
  7. 7. www.musicovery.com 11/06/2012 Page 7 Exemple 3 • Vous aimez “The Clash – Rock the casbah” et voulez écouter des titres similaires. • La plupart des systèmes de recommandation proposent des groupes punk: Ramones, Sex Pistols,… • Quel est le problème avec ces recommandations ? o La plupart des chansons des Clash ne sont pas punk o La même recommandation pour différents types d’auditeurs 05/2014
  8. 8. www.musicovery.com 11/06/2012 Page 8 Les types de données utiles pour produire des recommandations Descripteurs sémantiques Descripteurs experts Social Charts et tendance Genres, ambiance, situations Orchestration, rythmique, tempo,… Comptmnt individuel co-occurrence de préférences par région, titre émergeant, saturé Historique de préférence, habitudes,… Recommandation personnalisée 05/2014
  9. 9. www.musicovery.com 11/06/2012 Page 9 Manières de produire les données sur le contenu • Automatiquement: o À partir du signal audio o A partir de texte sur le contenu (web sémantique) • Editorial o Par expert Avantages: référenciel stable, précis, objectif, richesse description Inconvénients: non exhaustif, décalage potentiel avec perception de la population 05/2014
  10. 10. www.musicovery.com 11/06/2012 Page 10 Le filtrage collaboratif: le plus efficace au moindre effort • Principe: o Basé sur coocurrence de comportement des utilisateurs (préférences, achats,…) • Avantages: o Pas besoin d’avoir descripteurs/classification sur le contenu ou les utilisateurs o Retrouve implicement l’univers musical de chaque tribu • Inconvénients: o Cold start: si le contenu est nouveau, pas d’information o Biais vers les plus populaires, titres même artiste o Pertinence faible dans divers cas 05/2014
  11. 11. www.musicovery.com 11/06/2012 Page 11 Catégoriser le contenu • Principe: o Attribuer des descripteurs pour générer des classes de contenus • Avantages: o Possibilité d’enrichir la description (genre/sous- genre du contenu, repères chronologiques et géographiques, rôle de l’artiste,…) • Inconvénients: o Ne reflète pas la segmentation univers musical des tribus o Rigidité des taxonomies hiérarchisées o Certains descripteurs mauvais pouvoir de différentiation 05/2014
  12. 12. www.musicovery.com 11/06/2012 Page 12 Problèmes des systèmes de recommandations • Qualité médiocre description: ex. indexation automatique • Modèle taxonomie/ontologie: mal structuré • Pas exhaustif : même avec des systèmes auto • Ambiguité du point de référence: divers styles d’un même artiste • Biais de popularité : dans une même catégorie, toujours les mêmes suggestions • Pas de personnalisation: mêmes suggestions pour tous les auditeurs • Expérience pauvre: liste statique de textes, manque d’engagement 05/2014
  13. 13. www.musicovery.com 11/06/2012 Page 13 Approche de Musicovery • Objectifs: o Fournir un service simple car très personnalisé et pertinent o Adapter la manière de naviguer dans l’univers musical à chaque auditeur o Fournir une expérience intéressante et cohérente • Modèles de recommandation o Utilisation de tous les types de données (contenu, utilisateurs), o Profils utilisateurs: passionné, curieux, mainstream,… • Résultat: +25% durée des sessions des auditeurs 05/2014
  14. 14. www.musicovery.com 11/06/2012 Page 14 Enseignements pour le livre • A minima: o Filtrage collaboratif, catégories générales et tops • Au delà, en fonction des objectifs du service: o personnaliser le type de nagivation o décrire plus précisément le contenu o automatiser la longue traine • Conseil: o Travail d’analyse approfondi sur les comportements des utilisateurs les données externes et internes utilisées comment ces données concourent à l’amélioration de l’expérience recherchée 05/2014

×