Master 2015 2016
Stages de la spécialité SAR
Évaluation des systèmes de recommandation de musique


Site : Deezer
Lieu : Deezer HQ, Paris
Encadrant : Manuel Moussallam
Dates :février 2015 (6 mois)
Rémunération : 1000€
Mots-clés : Parcours ATIAM : Informatique musicale

Description

Les systèmes de recommandation de musique ont pour but de proposer aux utilisateurs d’un service l’écoute d’un album, d’un artiste ou d’une piste susceptible de lui plaire étant donné l’état des connaissances sur son profil (écoutes passées, collection personnelle etc..). C’est une tâche difficile compte tenu du très grand nombre de choix possibles parmi lesquels effectuer cette recommandation. C’est également une tâche très étudiée sur le plan scientifique.

On trouve dans l’état de l’art de nombreux systèmes, soit purement algorithmiques comme les techniques de filtrage collaboratif [1] basées sur l’usage, des mesures de similarités basées sur le contenu audio [2], ou des recommandations “manuelles” éditorialisées.

S’il existe de nombreuses façons de recommander de la musique, il n’existe toujours pas aujourd’hui de consensus sur les mesures objectives qui permettraient de les comparer entre elles, malgré de nombreuses propositions [3]. L’objet du stage est de définir de telles métriques.

Dans le domaine très concurrentiel et mondial du streaming musical, Deezer est un acteur de premier plan qui développe en interne des algorithmes de recommandation au niveau de l’état de l’art. Forte de son catalogue de plus de 35M de titres et de ses 30M d’utilisateurs actifs dans plus de 180 pays, l’entreprise est en forte croissance et offre un cadre de travail dynamique et motivant.

Le but du stage est de proposer un cadre théorique et pratique d’évaluation et de comparaison de différents systèmes de recommandation de musique. Il s’agira en premier lieu d’identifier des grandeurs significatives, mesurables décrivant tous les aspects d’un tel système, notamment sa capacité à satisfaire les utilisateurs mais aussi à les surprendre. Le stagiaire aura pour mission de développer un cadre théorique innovant, qui sera évalué dans un contexte industriel.

Le stagiaire sera encadré par des chercheurs et des développeurs qui seront à même de lui fournir une aide aussi bien théorique que matérielle, ainsi que des moyens techniques de pointe en terme de puissance et de volume de calculs grâce à l’environnement “big data” disponible au sein de l’entreprise. Il sera néanmoins incité à une grande autonomie et prise d’initiative dans la conduite du projet. Le stage pourra donner lieu à une publication de conférence.

Profil recherché :

étudiant en Master 2 avec de solides bases en analyse statistique et méthodes d’apprentissage automatique. Une expérience en programmation serait également appréciée. La connaissance de la musique est un plus, de même que celle des technologies et langages dit “big data”.

Compétences recherchées :

- Analyse statistique
- Apprentissage automatique
- Outils de Programmation et librairies de machine learning (Python scikit-learn,..)
- Curiosité et motivation

Bibliographie

Yehuda Koren, Robert Bell, and Chris Volinsky. Matrix factorization techniques for recommender systems. Computer, 42(8):30–37, 2009.

J.-J. Aucouturier and F. Pachet. Music similarity measures : What’s the use ? In ISMIR, 2002.

Luke Barrington Reid Oda and Gert Lanckriet Smarer Than Genius ? Human evaluation of music recommender systems. In ISMIR, 2009

http://fastml.com/evaluating-recomm...