Modeling and Influencing Music Preferences on Streaming Platforms
Modéliser et Influencer les Préférences Musicales sur les Plateformes de Streaming
Résumé
Today, music streaming services have become the primary means for people to access and enjoy recorded music. These platforms rely on algorithmic recommendation systems to help users navigate vast music catalogs and provide a personalized listening experience.
For these recommendations to be accurate, patterns must be identified, and user preferences modeled accordingly. There are numerous ways to approach this modeling process, and each method impacts the recommendation outcomes differently. In turn, by consuming the recommended items, users’ preferences and listening behaviors may be influenced in various ways. For instance, recommendations may lead to a diversification of their music choices, exposing them to new content, or, conversely, confine them to a niche. These influences may also manifest in more subtle ways, making them harder to measure.
This thesis explores the feedback loop between musical taste and recommendation systems through two main questions: how can we computationally model individual musical preferences using behavioral data from streaming platforms? how can we measure the influence that recommender systems have on shaping those preferences?
We begin by providing an overview of the data that can be collected from streaming platforms, exploring the types of information available about users, music items, and their interactions. We also examine the structure and distribution of these data, which form the foundation for subsequent analysis.
Next, we review the literature on musical taste, a topic that has been widely studied across various fields such as sociology, psychology, and cultural geography, long before the advent of music recommender systems. By reviewing these diverse approaches to measuring musical preferences, we identify insights that can inform and improve recommendation algorithms.
We then address the challenges of representing the musical space. With millions of tracks available on streaming platforms, it is crucial to categorize, label, and identify common patterns among music items in order to accurately model user preferences and generate relevant recommendations.
Finally, we present an overview of music recommendation systems, focusing on the current methods, specific challenges in the music domain, and the role of fairness and bias in influencing user preferences and listening habits.
With this multidisciplinary and multi-modal background in place, we address our research questions. First, we explore how to model musical taste using streaming data, constructing a 'fingerprint' of user preferences based on two different definitions of musical taste: one that highlights individual uniqueness and another that reflects collective preferences. Then, we tackle the challenges in measuring the influence of music recommender systems, using local music consumption as a case study. Ultimately, this thesis aims to bridge the gap between understanding musical taste and developing recommendation systems that are not only personalized but also capable of fostering diverse and satisfying listening experiences.
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.
Origine | Fichiers produits par l'(les) auteur(s) |
---|