Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

12 janvier 2017

Stage M2/Ingénieur : Recommandation musicale personnalisée à l’aide d’une expertise musicale


Catégorie : Stagiaire


Ce stage de recherche, qui pourra être poursuivi en thèse, a pour but d'étudier la corrélation entre descripteurs bas-niveaux du signal audio et les goûts de l'auditeur. Une aide à l' expertise musicale sera apportée par un spécialiste. Une approche deep-learning sera mise en place.

Lieux du stage : laboratoire IRIT Université Toulouse 3- Paul Sabatier- Toulouse

Durée : 5 à 6 mois (début : février à avril 2017)

Rémunération : 3500 euros

Contact (le plus tôt possible) : Christine Sénac christine.senac@irit.fr Julien Pinquier julien.pinquier@irit.fr

équipe SAMOVA http://www.irit.fr/recherches/SAMOVA/

 

Contexte de l’étude

Sélectionner la musique à donner à écouter à l’utilisateur, tel est l’enjeu de la recommandation musicale.

A côté des plateformes, comme Soundcloud, qui utilisent uniquement des filtres collaboratifs afin d’identifier les utilisateurs aux profils similaires et ainsi leur recommander les mêmes morceaux, certains sites de streaming, comme Deezer ou Spotify, commencent à utiliser à la fois des meta-data (album, artiste, année, durée…) et des données extraites automatiquement du signal par une approche "basée contenu" qui leur sont vendues par The Echo Nest. L'approche basée contenu adresse à la fois des problématiques liées à l’analyse acoustique et à l’apprentissage de similarités entre deux morceaux [1]. Quelques nouveaux travaux s’appuient sur les méthodes de deep learning [2] pour chercher à analyser la perception musicale sans utiliser la couche sémantique.

Principaux objectifs de l’étude

Afin de s’éloigner d’une recommandation uniformisée, apprendre les goûts de l’utilisateur devient primordial afin de l’aider dans son organisation et lui recommander l’écoute d’enregistrements non disponibles dans sa bibliothèque personnelle et qui pourraient l’intéresser.

D'un point de vue technologique, extraire des descripteurs de haut niveau et compréhensibles tels que l'instrumentation, les thèmes lyriques… reste un challenge. De plus, corréler les descripteurs sonores de bas-niveau - plus faciles à extraire- aux goûts de l'utilisateur est un challenge encore plus ardu, notamment pour des non musiciens.

Aussi, nous proposons d'associer à un système de recommandation basé contenu, l’expertise musicologique de Ludovic Florin (laboratoire LLA CREATIS de l’université Jean Jaurès Toulouse 2) qui devrait aider à relier causalement les descripteurs bas niveau du signal aux goûts de l’utilisateur. cete mise en corrélation sera validée par une approche deep-learning.

Travail demandé

Ce travail s’appuiera sur les premiers résultats obtenus durant le stage de M2 de F.Mouret dans le cadre de la classification en genres musicaux et d’une pré étude de la recommandation musicale [3] .

Il s’articulera autour de 5 phases principales:

[1] C. Charbuillet, D. Tardieu, and G. Peeters. Gmm supervector for content based music similarity. In Proc. of DAFx (International Conference on Digital Audio Effects), pages 425–428, Paris, France, 2011

[2] Van den Oord, Aaron and Dieleman, Sander and Schrauwen, Benjamin. Deep content-based music recommendation. Advances in Neural Information Processing Systems 26, Curran Associates, Inc., 2015

[3] Florian Mouret, Apprentissage de similarités « multi-niveaux » pour la suggestion de contenus musicaux, rapport de stage d’ingénieur ENSEEIHT, 2016 (disponible sous ftp://ftp.irit.fr/IRIT/SAMOVA/INTERNSHIPS/florian_mouret_2016.pdf)

Compétences requises

Traitement du signal, apprentissage automatique, l'analyse du son serait un plus - matlab, python

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2015.