La Recommandation Personnalisée - Musicovery par Vincent Castaignet
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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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