La principale source d’attractivité des services de streaming consiste en leur algorithme de recommandation : ce module tente d’expliquer de quoi il s’agit, et les 5 principaux systèmes (collaborative filtering, crowdsourcing, content based, voire deep learning) qui permettent aux algorithmes d’analyser nos données.
1 – Analyse de signal : Traite le son pour en tirer ses caractéristiques musicologiques principales (tempo, accords, timbres de voix…)
2 – Crowdsourcing : Analyse les sites spécialisés et les retranscrit dans un vocabulaire commun.
Ex : The Echo Nest analysait en 2013 10 millions de pages liées à la musique par jour. Les sources de Musimap vont de Wikipédia à l’Encyclopaedia Metallum.
3 – Collaborative filtering (filtrage collaboratif) : système de recommandation utilisant les opinions et évaluations d’un groupe pour aider l’individu → Artiste similaire
Ex : Si Gertrude aime Cabrel, que Cunégonde aime aussi Cabrel et a adoré Laurent Voulzy, alors Gertrude devrait aimer Laurent Voulzy.
4- Content based : Le système de recommandation basé sur le contenu a pour principe d’associer deux éléments distincts dans le but de les faire “matcher”
-
- D’un côté le profil personnel de l’utilisateur composé des styles de musique écoutés par l’utilisateur (genres, artistes les plus écoutés) son comportement vis à vis de celui ci (récurrence des artistes écouté, chansons passées…)
- De l’autre une description de chaque morceaux définie par des éléments musicologiques (durée, BPM…) et grâce à des mots clés traduisant des humeurs. Le nombre de mots diffère en fonction des algorithmes.
5- Deep learning : Automatisation de l’algorithme de toutes les méthodes précédemment citées, les entraînera en permanence et s’appuiera sur ses propres résultats pour évoluer