ACTUALITÉ SCIENTIFIQUE
ET INNOVATION DE L'ÉTS
La science à la base des recommandations personnalisées de musique - Par : Marie-Anne Valiquette,

La science à la base des recommandations personnalisées de musique


Marie-Anne Valiquette
Marie-Anne Valiquette Profil de l'auteur(e)
Marie-Anne Valiquette a obtenu un baccalauréat en génie mécanique à l’École de technologie supérieure (ÉTS) de Montréal. Elle habite à Silicon Valley en Californie où elle étudie l’intelligence artificielle grâce à des plateformes en ligne comme Udacity et deeplearning.ai.
Programme : Génie mécanique 

Comment marche les recommandations personnalisées de musique

The featured image is from Pixabay.com, source. Public Domain.

La musique est une expérience personnelle, et décrire ce qu’on aime ou n’aime pas d’une chanson ou d’un artiste est difficile. Trouver une nouvelle chanson préférée ou simplement découvrir de nouvelles chansons devient alors presque impossible.

La curation de musique en ligne

Plusieurs sociétés de diffusion de musique en continu, ou streaming, tentent de résoudre ce problème avec des moteurs de recommandation.

Représentation du logo de Songza

Figure 1 Logo Songza

Dans les années 2000, Songza, désormais intégrée à Google Play Musique, a lancé la curation de musique en ligne en faisant une sélection manuelle qui permettait de créer des listes de lecture, ou playlists, pour les utilisateurs. Des « experts en musique » intégraient des chansons à des listes de lecture qu’écoutaient les utilisateurs. Beats Music utilisera plus tard la même stratégie pour créer ses playlists. Cette stratégie avait toutefois un défaut : elle ne tenait pas compte des goûts personnels des utilisateurs.

Représentation du logo de Pandora

Figure 2 Logo Pandora

Pandora était également l’un des précurseurs de l’industrie de curation de musique. L’entreprise avait une approche légèrement plus avancée : elle choisissait manuellement les attributs d’une chanson, formant des groupes de mots descriptifs pour chaque piste, et leur apposait une étiquette. Ensuite, l’algorithme de Pandora permettrait simplement de filtrer les étiquettes pour créer des playlists de musiques similaires.

Représentation du logo de Spotify

Figure 3 Logo Spotify

Une agence d’intelligence musicale du MIT Media Lab, appelée The Echo Nest, avait mis au point une approche différente quant à la musique personnalisée. L’Echo Nest analysait, à l’aide d’algorithmes, le contenu audio et textuel de la musique, ce qui permettait d’effectuer une identification musicale, des recommandations personnalisées, la création et l’analyse de listes de lecture. Spotify a acheté l’entreprise en 2014.

Représentation du logo de Last.fm

Figure 4 Logo Last.fm

Enfin, Last.fm a utilisé une technique différente appelée le filtrage collaboratif, fondé sur les similitudes entre utilisateurs, pour recommander de nouvelles chansons ou groupes.

Chaque service important de streaming a développé sa propre capacité à connaître les goûts des utilisateurs et à recommander la bonne chanson au bon moment. Toutefois, une grande entreprise devance les autres dans ce domaine en proposant la recommandation musicale personnalisée : Discover Weekly de Spotify. Discover Weekly est une liste de lecture envoyée automatiquement le lundi à chaque compte d’utilisateur Spotify. L’application analyse l’historique d’écoute de l’utilisateur, se concentrant sur la musique qui a joué récemment. Elle compare ensuite cet aperçu avec d’autres utilisateurs de Spotify. Par l’analyse de plus de deux milliards de listes de lecture, le système trouve les pistes correspondant généralement à la musique déjà écoutée par un utilisateur. Il regroupe ensuite ces pistes dans une nouvelle liste de lecture personnalisée de 30 chansons. Spotify peut recommander une liste à chaque personne chaque semaine. Comment?

Comment fonctionne le Discovery Weekly de Spotify?

Figure 5 Schéma simplifié : Création de Discover Weekly de Spotify

Spotify regroupe trois des meilleures stratégies utilisées par d’autres services pour créer son propre moteur de découverte, unique et puissant :

  1. Modèles de filtrage collaboratif, qui analysent les comportements des usagers.
  2. Modèles de traitement du langage naturel (NLP), qui analysent les textes.
  3. Modèles audio, qui analysent les pistes audio brutes.

 

Modèles de filtrage collaboratif

Le filtrage collaboratif se fait le plus souvent au moyen de la fonction « les clients qui ont acheté cet article ont également acheté… » que l’on retrouve chez Amazon ou de la fonction « pouce vers le haut ou vers le bas » de Netflix. Mais contrairement à Netflix ou à Amazon, Spotify ne dispose pas des fonctionnalités permettant aux utilisateurs d’évaluer la musique. Au lieu de cela, les données de Spotify se fondent sur le retour de pertinence, ou feedback, comme le nombre de pistes que les utilisateurs écoutent, et si les utilisateurs ont enregistré la piste dans leur propre liste de lecture, ou visité la page de l’artiste.

Modèles de traitement du langage naturel (NLP)

Spotify scrute le Web, recherchant constamment des blogues ou des articles sur la musique pour catégoriser ce que les gens disent à propos d’artistes et de chansons en particulier. Fondamentalement, l’application retient les adjectifs et le langage utilisés pour décrire une chanson et les autres artistes et chansons dont les gens parlent. Ensuite, l’algorithme associe un poids à chaque terme ou mot utilisé pour décrire la musique ou l’artiste et crée la probabilité que quelqu’un décrive la pièce musicale ou les artistes dans les mêmes termes .

Ainsi, grâce au filtrage collaboratif, le modèle NLP utilise ces termes et pondérations pour créer une représentation vectorielle de la chanson. Ces vecteurs sont comparés entre les pièces musicales et déterminent si deux pièces sont similaires.

Modèles audio bruts

Contrairement aux deux modèles précédents, les modèles audio bruts prennent en compte les nouvelles chansons. Spotify se sert de réseaux de neurones convolutionnels, soit la même technologie que la reconnaissance faciale. Toutefois, ici, l’approche a été adaptée pour reconnaître les données audio au lieu des pixels. Spotify comprend les caractéristiques de la chanson et est capable de les décrire. Elle classe les similitudes entre les sons et les chansons et recommande par conséquent des chansons que les utilisateurs peuvent apprécier en fonction de leur propre historique d’écoute. C’est une stratégie intelligente puisque nous avons tous des affinités avec différents styles de musique. Et pourquoi? Parce que le cerveau crée des modèles de mémoire musicale fondés sur des expériences musicales passées. Puis, il libère de la dopamine, la molécule du plaisir que produit le corps, lorsqu’on écoute de la musique qui ressemble à d’autres musiques entendues dans le passé.

Marie-Anne Valiquette

Profil de l'auteur(e)

Marie-Anne Valiquette a obtenu un baccalauréat en génie mécanique à l’École de technologie supérieure (ÉTS) de Montréal. Elle habite à Silicon Valley en Californie où elle étudie l’intelligence artificielle grâce à des plateformes en ligne comme Udacity et deeplearning.ai.

Programme : Génie mécanique 

Profil de l'auteur(e)


Recevez les dernières actualités scientifiques de l'ÉTS
commentaires

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée.