Grâce aux MP3 et à Internet, nous avons désormais des millions de chansons à portée de clic, mais, paradoxalement, il est devenu encore plus difficile de faire de nouvelles découvertes musicales. Pourtant, tous les sites et réseaux sociaux dédiés à la  musique en ligne sont aujourd’hui dotés d’outils de recommandations divers ; certains services tels que Pandora ou Slacker Radio ne sont autres que des moteurs de recommandation musicale hautement sophistiqués. Dans ce billet, nous nous intéresseront aux différences d’approches entre quelques uns des moteurs de recommandation et services de découverte les plus populaires.

On distingue actuelle quatre approches dominantes de la recommandation musicale sur le marché – bien que les lignes de démarcation entre elles soient floues et que certains services les agglomèrent de différentes manières. Afin d’être aussi intelligibles que possible, nous nous concentrerons dans ce post sur un petit échantillon de moteurs et services de recommandation musicale, que nous estimons représentatif d’une approche spécifique.

Pandora : l’Humain

Pandora, l’un des services de recommandation musicale les plus populaires sur le net actuellement, base ses recommandations sur les données du « Music Genome Project« . Ce projet consiste à attribuer jusqu’à 400 attributs, ou tags, à chaque chanson ; cette tâche est confiée à des musiciens expérimentés, qui peuvent y passer jusqu’à une demi-heure par chanson. Si cette méthode donne d’excellents résultats – et nous même avons fréquemment fait d’intéressantes découvertes grâce à Pandora – elle est toutefois difficilement transposable à grande échelle et leur bibliothèque de titres peut vite sembler étriquée.

Mufin : l’Algorithme

De tous les systèmes de recommandation purement basés sur des algorithmes, Mufin est probablement le plus connu. Le logiciel analyse les propriétés fondamentales d’une chanson et émet des recommandations fondée uniquement sur la similarité entre les chansons.

Si le moteur de Mufin fonctionne en général étonnamment bien, une limite importante du système est son incapacité à replacer une chanson dans son contexte culturel. Par exemple, vous êtes susceptible de vous retrouver à écouter des chants de Noël en mai, le site étant purement et simplement inapte à prendre en compte le caractère saisonnier de certains des éléments de votre librairie.

Toutefois, l’insensibilité du système aux éléments de contexte entourant une chanson peut présenter certains avantages, en faisant ressortir par exemple dans ses suggestions des morceaux dont vous aviez tout oublié. De plus, Mufin intègre toutes les chansons sans discrimination d’audience, que ce soient celles de votre propre formation, de Kanye West ou d’un obscur groupe local. Même si Mufin s’est révélé légèrement décevant, nous avons apprécié l’API iTunes du site, qui permet d’analyser les chansons déjà présentes dans votre librairie.

Lala : Le P2P comme unité de base de la recommandation

A l’inverse des services présentés ci-dessus, d’autres ont décidé de n’utiliser aucune technologie pour construire leurs recommandations. Par exemple, Lala se base uniquement sur un réseau dynamique d’utilisateurs qui échangent sur leurs goûts et peuvent suggérer de nouvelles musiques les uns aux autres. D’après eux, cela semble très bien marcher : lors d’un entretien avec son fondateur et CEO Bill Nguyen, ce dernier nous a confié que 70% de la musique écoutée sur Lala n’est pas présente dans la bibliothèque de l’utilisateur et  que 18% des morceaux découverts grâce au site sont achetés et ajoutés aux collections existantes.

eMusic: L’Hybride

Deuxième plus gros magasin de musique en ligne après iTunes, eMusic a introduit l’année dernière un moteur de recommandation sur son site. Cette nouvelle fonctionnalité a été développée à partir des technologies MediaUnbound, l’un des leaders en matière de services de personnalisation et de recommandation. MTV Urge, Napster, le brésilien Terra Sonora font notamment appel à leurs services pour leurs recommandations.

Ainsi que le PDG et co-fondateur de Mediabound Michael Papish nous l’expliquait récemment, sa philosophie repose sur une combinaison d’algorithmes et d’expertise humaine, qui sera à même de donner le meilleur resultat pour les utilisateurs. Dans le cas d’eMusic, cela signifie que les suggestions du site sont constamment réajustées en fonction de vos propres actions et par les editeurs de contenus d’eMusic, lesquels, en collaboration avec les équipes d’experts du site, réévaluent constamment les sets de recommandation proposés aux utilisateurs.

Genius: La Boite Noire d’Apple

Il est difficile d’évaluer dans quelle mesure son logiciel Genius fonctionne vraiment, mais il est certain qu’Apple a plusieurs avantages. Tout d’abord, les utilisateurs d’iTunes notant souvent les chansons présentes dans leur librairie, la marque amasse ainsi énormément d’informations sur la popularité d’une chanson, combien de fois celle-ci a été écoutée ou zappée.

 Hormis ces maigres indices, nous ne pouvons que spéculer sur la manière dont Genius élabore ses recommandations.

Si l’on tient pour à peu près certain, par exemple, qu’il se sert des playlists et des similarités entre les librairies des utilisateurs, pour le reste on ne peut que supposer qu’Apple se base sur un mix de différentes techniques de recommandation pour établir ses propres suggestions. Les résultats sont en règle générale assez bons, quoique parfois totalement prévisibles ou au contraire complètement aléatoires.

Ouvrir la Boite Noire

En définitive, l’approche dite de « la boite noire » reste le dénominateur commun de la plupart des services de recommandation. Très peu de ces moteurs donnent a leurs utilisateurs une visibilité élevée sur la manière dont une suggestion est élaborée, ni la possibilité d’ajuster finement leurs sélections – Pandora en étant un bon contre exemple.

Nous observons cependant une tendance naissante à laisser aux utilisateurs légèrement plus de contrôle sur ces recommandations. Slacker Radio, par exemple, permet de choisir si l’on veut écouter plus de hits ou a l’inverse des artistes méconnus. Mufin s’appuie également sur ses utilisateurs pour savoir quel degré de similarité deux chansons devraient avoir pour être suggérées.

A quoi ressemble votre moteur de recommandation musicale idéal ?

De manière générale, notre intuition est que chacune de ces approches peut nous fournir des suggestions pertinentes, selon ce que l’on cherche. Cela dit, le moyen le plus simple de découvrir de super chansons est parfois d’oublier purement et simplement les machines et les éditeurs et de jeter un oeil a ce que les personnes de notre entourage écoutent grâce a un service tel qu’imeem.

Vous avez un système de recommandation préféré pour la musique ? Ou des conseils qui pourraient aider ces services à s’améliorer ? Faites-en part dans les commentaires.

Ce billet a été également publié dans la version US de ReadWriteWeb
ainsi que dans le New York Times
Traduction de Raphaël Labbé

A lire également :

1. A la découverte des systèmes de recommandation ...
2. Google lance Music Search, en partenariat avec MySpace, Lala, Gracenote etc. ...
3. La Recommandation, valeur symbolique ou valeur économique ? Débat le 9 juillet à 19h00 à La Cantine ...
4. Jinni veut devenir le Pandora pour films ...
5. Cinq semaines à Palomar5 : En route pour le Sommet « The future of work for the digital generation » ...
6. Hadopi m’a tuer : une grande fête musicale et légale ...