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

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

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

•  Hybride

8

Implique parfois l’intervention d’experts

•  Approche dominante

•  Utilisé par Last.fm

•  « fan-to-fan music discovery »

• Goûts musicaux socialement construits

• Concours de popularité

Filtrage collaboratif

9

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. »

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)

•  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

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. »

•  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

•  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

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 nos goûts

musicaux

20

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

• 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 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

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

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

Faculté  des  arts  et  des  sciences  École  de  bibliothéconomie  et  des  sciences  de  l'information  

Merci ! Pour me contacter : audrey.laplante@umontreal.ca