How far are musical tastes predictable by artificial intelligence? - Archive ouverte HAL Access content directly
Theses Year : 2021

How far are musical tastes predictable by artificial intelligence?

Jusqu'où les goûts musicaux sont-ils prédictibles par l'intelligence artificielle ?

(1)
1

Abstract

This thesis focuses on the use of artificial intelligence (AI) for music recommendation as a prediction of music tastes. Our research focused on the study of musical tastes, the process of music recommendation and the place of humans in this process. We were interested in the relevance of the data used for music recommendation: behavioral data on the one hand, often supposed to reflect user affinities; song descriptors, used for content-based recommendation on the other hand. The proposed approach was based in particular on work in the human sciences and musicology. The issues are focused on the prediction of musical tastes, in a field where there are many uncertainties around the explainability of these tastes: - What elements influence musical tastes? What are the links between musical genres and listeners' tastes in music? - Is the music recommendation a taste prediction? How is behavioral data interpreted by streaming platforms? Does the behavior really reflect musical tastes? - Are the acoustic parameters learned by a convolutional neural network for automatic genre recognition relevant for the prediction of musical tastes? What determining factors in musical affinity is a convolutional neural network able to identify in a spectrogram? The first chapter presents our study of musical tastes, their links with genres and the contextual parameters that can influence listening to music. This study links conclusions from our bibliography and data from a streaming platform. In the second chapter, we looked at the data, methods, and evaluation modes used by streaming platforms for recommendation. We have also proposed a method to link acoustic parameters to a human categorization, for a personalized music recommendation. The third chapter presents a taste prediction method based on the conclusions of the previous chapters. This method is based on pre-trained deep convolutional neural networks for genre prediction. An offline evaluation process brought satisfactory results (more than 70% accuracy) which were confirmed by a human evaluation: 100% success on a third of the volunteers, more than 77% average accuracy. Finally, a qualitative study of the results provides ideas for improvement of the proposed system.
Cette thèse a pour objet l'utilisation de l'intelligence artificielle (IA) pour la recommandation de musique en tant que prédiction de goûts. Notre recherche s'est focalisée sur l'étude des goûts musicaux, du fonctionnement de la recommandation de musique et de la place de l'humain dans ce processus. Nous nous sommes intéressés à la pertinence des données utilisées pour la recommandation de musique : les données comportementales d'une part, souvent supposées traduire les affinités des utilisateurs ; les descripteurs des morceaux, utilisés pour la recommandation basée sur le contenu d'autre part. La démarche proposée s'est notamment appuyée sur des travaux en sciences humaines et en musicologie. Les problématiques sont focalisées sur la prédiction des goûts musicaux, dans un domaine où les incertitudes autour de l'explicabilité de ces goûts sont nombreuses : - Quels éléments influencent les goûts musicaux ? Quels sont les liens entre les genres musicaux et les goûts des auditeurs en matière de musique ? - La recommandation de musique est-elle une prédiction de goûts ? Comment les données comportementales sont-elles interprétées par les plateformes de streaming ? Le comportement traduit-il vraiment des goûts musicaux ? - Les paramètres acoustiques appris par un réseau de neurones convolutionnels pour la reconnaissance automatique de genre sont-ils pertinents pour la prédiction de goûts musicaux ? Quels facteurs déterminants dans l'affinité musicale un réseau de neurones convolutionnels est-il capable d'identifier dans un spectrogramme ? Le premier chapitre présente notre étude des goûts musicaux, leurs liens avec les genres et les paramètres contextuels qui peuvent influencer l'écoute de musique. Cette étude met en relation des conclusions issues de notre bibliographie et des données provenant d'une plateforme de streaming. Dans le second chapitre, nous nous sommes intéressés aux données, aux méthodes, et aux modes d'évaluation employées par les plateformes de streaming pour la recommandation. Nous avons également proposé une méthode afin de lier des paramètres acoustiques à une catégorisation humaine, en vue d'une recommandation de musique personnalisée. Le troisième chapitre présente une méthode de prédiction de goûts mise au point en nous appuyant sur les conclusions des chapitres précédents. Cette méthode est basée sur des réseaux de neurones convolutionnels profonds pré-entraînés pour la prédiction de genres. Un processus d'évaluation hors ligne a apporté des résultats satisfaisants (plus de 70% de précision) qui ont été confirmés par une évaluation humaine : 100% de réussite sur un tiers des volontaires, plus de 77% précisions moyenne. Enfin, une étude qualitative des résultats apporte des pistes d'améliorations du système proposé.
Fichier principal
Vignette du fichier
2021TOU30082a.pdf (3.2 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)

Dates and versions

tel-03469458 , version 1 (07-12-2021)

Identifiers

  • HAL Id : tel-03469458 , version 1

Cite

Nicolas Dauban. Jusqu'où les goûts musicaux sont-ils prédictibles par l'intelligence artificielle ?. Intelligence artificielle [cs.AI]. Université Paul Sabatier - Toulouse III, 2021. Français. ⟨NNT : 2021TOU30082⟩. ⟨tel-03469458⟩
133 View
233 Download

Share

Gmail Facebook Twitter LinkedIn More