Modéliser et influencer les préférences musicales sur les plateformes de streaming

Modeling and influencing music preferences on streaming platforms Aujourd'hui, les services de streaming musical sont devenus le principal moyen d'accéder à la musique enregistrée. Ces plateformes reposent sur des systèmes de recommandation algorithmique pour aider les utilisateurs à naviguer dans des catalogues immenses et leur offrir une expérience d'écoute personnalisée. Pour que ces recommandations soient pertinentes, il faut d'abord identifier les schémas de comportement et modéliser les préférences des utilisateurs. Il existe plusieurs manières de procéder à cette modélisation, chaque méthode peut influencer les recommandations de manière différente. Réciproquement, les recommandations peuvent elles-mêmes affecter les goûts et les pratiques d'écoute des utilisateurs, que ce soit en élargissant leurs horizons musicaux ou, à l'inverse, en les enfermant dans une bulle. Parfois, ces effets sont plus subtils, ce qui les rend plus difficiles à mesurer. Cette thèse examine la relation entre le goût musical et les systèmes de recommandation à travers deux questions : comment modéliser les préférences musicales individuelles à partir des données comportementales issues des plateformes de streaming ? comment mesurer l'impact des systèmes de recommandation sur la formation de ces préférences ? Nous commençons par une présentation des données disponibles sur les plateformes de streaming : les informations relatives aux utilisateurs aux morceaux de musique et à leurs interactions. Nous examinons également la structure et la distribution de ces données sur lesquelles reposent nos analyses. Ensuite, nous passons en revue la littérature sur le goût musical, un sujet largement exploré dans des domaines comme la sociologie, la psychologie et la géographie culturelle, bien avant l'arrivée des systèmes de recommandation. Que peut-on tirer des approches utilisées dans ces domaines pour mieux comprendre et modéliser les préférences musicales, notamment dans le cadre de la recommandation algorithmique? Nous abordons ensuite les défis liés à la représentation de l'espace musical. Avec des millions de morceaux disponibles, il est essentiel de catégoriser, étiqueter et identifier les similarités entre les titres pour modéliser efficacement les préférences et fournir des recommandations pertinentes. Enfin, nous proposons une vue d'ensemble des systèmes de recommandation musicale, en présentant les méthodes actuelles et les défis propres à la recommandation de musique, notamment les notions d'équité et de biais algorithmiques qui peuvent influencer les préférences et les pratiques d'écoute des utilisateurs. Avec ce cadre pluridisciplinaire et multimodal en place, nous tentons de répondre à nos questions de recherche. Nous commençons par explorer comment modéliser le goût musical à partir des données de streaming, en construisant une empreinte' des préférences basée sur deux conceptions du goût musical : l'une axée sur l'individualité l'autre reflétant des tendances collectives. Ensuite, nous nous attaquons aux défis liés à la mesure de l'influence des systèmes de recommandation, en prenant pour exemple la consommation de musique locale. Au final, cette thèse vise à lier la compréhension du goût musical et la création de systèmes de recommandation capables non seulement de personnaliser les suggestions, mais aussi de permettre une écoute diversifiée et enrichissante.