English version
La recommandation de musique est sujette à un certain nombre de spécificités qui rendent la recherche dans ce domaine particulièrement difficile. Schedl et al. (2018) listent par exemple la courte durée de consommation des ressources musicales (le plus souvent des chansons), le grand nombre de nouvelles ressources créées chaque année, l’importance de l’ordre dans lequel ces ressources sont consommées, la possibilité de recommander des ressources que l’utilisateur connaît déjà et souhaite réécouter, l’importance du contexte et de l’objectif de l’écoute musicale, etc.
Ce stage se focalise sur un aspect spécifique de la recommandation de musique : la découverte musicale. La plupart des utilisateurs de plateformes musicales espèrent en effet pouvoir découvrir de nouvelles musiques via leurs systèmes de recommandation (Kamehkhosh, Bonnin et Jannach, 2020). Plus précisément, nous nous intéresserons à deux facteurs déterminants de la découverte musicale : la charge mentale et la familiarité. La charge mentale se manifeste en particulier quand un utilisateur écoute plusieurs chansons d’affilée qui ne lui sont pas familières et qu’il arrive à saturation. Il peut alors passer à l’écoute de musiques qu’il connaît et qu’il apprécie, ou bien arrêter d’écouter de la musique. La familiarité musicale peut quant à elle être définie selon le concept de rétention (Yonelinas, 2002), qui considère d’une part que les connaissances sont oubliées selon une décroissance exponentielle (ou selon d’autres fonctions ayant une forme similaire), et d’autre part que cette décroissance s’amoindrit quand le nombre d’expositions répétées augmente (Rubin et Wenzel, 1996).
L’objectif principal de ce stage est de proposer différentes formalisations mathématiques permettant d’estimer la charge mentale et la familiarité à partir de l’historique d’écoute d’utilisateurs de plateformes musicales. Ces formalisations permettront de constituer de nouveaux indicateurs qui seront utilisés en entrée d’algorithmes d’apprentissage automatique pour la recommandation de musique.
Plus concrètement, un premier objectif pratique sera de rendre opérationnelle toute la chaîne expérimentale permettant de comparer différents algorithmes de recommandation de musique dans le contexte spécifique de la découverte musicale. Dans ce cadre, une première version rudimentaire des indicateurs de la charge mentale et de la familiarité seront développés. Différentes variantes de ces indicateurs seront ensuite proposées, qui s’inspireront plus précisément de la littérature de la psychologie et des sciences cognitives.
Des données des plateformes Last.fm et Deezer seront disponibles pour étudier la pertinence des variables explicatives proposées. Ces données contiendront l’historique d’écoute de plusieurs dizaines de milliers d’utilisateurs sur plusieurs années, ainsi que l’horodatage des musiques qu’ils ont explicitement appréciées.
Envoyez un CV, une lettre de motivation et un relevé de notes par e-mail à Geoffray Bonnin : bonnin [at] loria [dot] fr
Hockey, G, et J Robert. Operator functional state as a framework for the assessment of performance degradation. NATO science sub series in life and behavioural sciences, 2003.
Kamehkhosh, I, G Bonnin, et D Jannach. Effects of recommendations on the playlist creation behavior of users. User Modeling and User-Adapted Interaction, 2019.
Rubin, DC, et AE Wenzel. One hundred years of forgetting: A quantitative description of retention. Psychological review, 1996.
Schedl, M, H Zamani, CW Chen, Y Deldjoo, et M Elahi. Current challenges and visions in music recommender systems research. International Journal of Multimedia Information Retrieval, 2018.
Yonelinas, AP. The nature of recollection and familiarity: A review of 30 years of research. Journal of memory and language, 2002.