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...
Prochain SlideShare
Chargement dans…5
×

La Recommandation Personnalisée - Musicovery par Vincent Castaignet

553 vues

Publié le

Publié dans : Technologie
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
553
Sur SlideShare
0
Issues des intégrations
0
Intégrations
1
Actions
Partages
0
Téléchargements
9
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

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

×