Valence
Roon ajoute de la valeur à la musique en utilisant les données, l'identification et l'apprentissage automatique pour fournir un contexte riche à la musique et aider les auditeurs à s'engager plus profondément avec elle. Valence est la pile technologique qui rend cela possible.
Contribuer

Le passage des supports physiques aux supports numériques promet d'enrichir l'expérience musicale, mais jusqu'à présent, cette promesse n'a pas été tenue. Nous pensons que la raison en est que les amateurs de musique ne se contentent pas d'écouter de la musique. Les fans veulent en savoir plus sur la musique et comprendre ceux qui la font ; ils veulent établir des liens intellectuels et émotionnels qui enrichissent leurs propres expériences de vie.

Les formats physiques comme le vinyle et le CD avaient des notes de pochette qui contenaient une mine d'informations, mais les téléchargements et les flux de données les ont supprimées. Notre objectif était de commencer par restaurer toutes ces données, puis d'aller plus loin en exploitant les nouvelles technologies pour accomplir plus que ce qui a jamais été possible avec les supports physiques.

Valence nous permet de le faire en plusieurs étapes. Nous commençons par agréger diverses sources de données, y compris les métadonnées commerciales, les contributions collectives et l'historique d'écoute des auditeurs experts. Ensuite, nous identifions chaque objet de données que le système rencontre, qu'il s'agisse d'un fichier sur un disque dur, d'un flux provenant d'un service musical ou de la mention d'un producteur dans un article sur un album. À l'aide de ces éléments de base, Valence constitue une base de données non seulement sur les artistes, les albums et les morceaux, mais aussi sur les compositeurs, les œuvres, les interprétations, les chefs d'orchestre, les ensembles, les solistes, les labels et les collaborateurs. Cette base de données nous permet de comprendre les relations entre les entités musicales, leur popularité, leur similarité et les catégories dans lesquelles elles s'inscrivent naturellement. Le résultat est une méthodologie de recommandation qui prend en compte de manière cohérente les métadonnées faisant autorité, les avis d'experts, la popularité, la connaissance du contexte et les profils de goût de chaque utilisateur.

Agrégation

Il existe de nombreuses sources de métadonnées musicales. Certaines offrent de l'étendue (couverture d'un grand nombre de sorties), d'autres de la profondeur (données très détaillées ou spécifiques), mais aucune source de données ne possède tout à elle seule. De nombreuses sources spécialisées ne possèdent qu'un seul type de données (concerts ou paroles, par exemple).

La base de Valence - sa base de données musicales - est créée en combinant plusieurs ensembles de données provenant de différentes sources. Chaque jour, des téraoctets d'informations sont ingérés, dédupliqués et désambiguïsés ; le résultat est un recueil exhaustif d'enregistrements, d'interprètes, de compositeurs et de compositions.

Données sous licence

Nous achetons des flux de données auprès d'un certain nombre de fournisseurs de données commerciales, dont Xperi (anciennement All Music Guide), Songkick et LyricFind, entre autres. Les données sous licence sont généralement assez complètes, bien que leur étendue soit souvent limitée.

Données collectées par la foule

Certains fournisseurs, tels que MusicBrainz et Discogs, s'appuient sur les contributions de leurs utilisateurs pour obtenir des données. Le principal avantage du modèle de crowdsourcing est qu'il permet d'accéder à des données qui ne sont pas disponibles auprès de sources commerciales ; il n'y a pas toujours de bonne raison économique de collecter ou de créer certaines données, c'est donc aux enthousiastes de le faire, et ils font souvent un travail remarquable.

Histoire de l'écoute

Les utilisateurs de Roon apportent leurs connaissances en écoutant leur musique préférée. Parce qu'ils sont des auditeurs à l'opinion très tranchée, ils explorent chaque jour les profondeurs de leurs genres et styles préférés, et ces connexions constituent la base des modèles et des cartes de Valence.

Contribution communautaire

Valence dispose d'une arme secrète lorsqu'il s'agit de données propres : l'expertise de la communauté Roon. Composé de professionnels de la musique, d'audiophiles et de passionnés de musique, ce groupe passionné a fourni nos localisations, notre répertoire de radios Internet et commence maintenant à créer et à conserver les nouvelles données utilisées par Valence.

Identification

Valence étant conçu comme une carte de l'ensemble du corpus musical jamais créé, il doit être capable d'identifier tous les enregistrements que quelqu'un pourrait écouter. Les données musicales disponibles auprès de n'importe quelle source (même les maisons de disques) sont également imparfaites par nature, et Valence part donc du principe qu'aucune d'entre elles ne fait autorité.

Identification des données

Les données ingérées par Valence proviennent des détenteurs de droits (maisons de disques), de fournisseurs de données commerciales, de projets de données à but non lucratif et de la communauté Roon. Une donnée dans Valence peut provenir de n'importe laquelle de ces sources, s'enrichissant et devenant plus détaillée au fur et à mesure que des preuves corroborant son exactitude sont trouvées dans d'autres sources de données. Cette approche unique de l'agrégation signifie qu'après une ingestion quotidienne complète, l'index de Valence est sans doute le plus grand et le plus précis au monde.

Identification du fichier

Valence utilise une approche qui prend en compte les noms de fichiers, la structure des répertoires, les données des balises et la longueur des fichiers pour fournir à Roon des identifications d'albums et de pistes très fiables.

Identification des cours d'eau

La plupart des lecteurs de musique interagissent avec les services de diffusion en continu en utilisant une API pour la recherche, la navigation et la lecture ; ils dépendent également de cette API pour la plupart ou la totalité de leurs métadonnées musicales. Valence ingère en fait chaque jour les catalogues complets des services musicaux intégrés, puis détermine (à l'avance) lesquelles de ses propres données doivent être appliquées à chaque flux provenant de chaque service intégré.

Un schéma plus riche

La base de données agrégée de Valence est le Saint-Graal : une couverture très large avec une profondeur et une richesse de données.

Enregistrement des données

Par convention, le terme "métadonnées" désigne le nom d'un album et les pistes qu'il contient. Valence va plus loin en saisissant les crédits de l'album et des pistes, les dates d'enregistrement, les dates de sortie et de réédition, le label, l'évaluation et la critique, ainsi qu'en faisant la distinction entre les différentes versions d'un album.

Données biographiques

Outre les données d'enregistrement, Valence rassemble des informations sur les interprètes, les compositeurs, les producteurs et les chefs d'orchestre, y compris leurs statistiques vitales, leurs biographies, ainsi que les lieux où ils ont vécu, les groupes ou les ensembles qu'ils ont rejoints, leurs liens sociaux et les dates de leurs prochains concerts.

Données de composition

Dans le modèle de données de Valence, les enregistrements (pistes) sont des instances de compositions, ce qui est une notion importante, en particulier lorsqu'un artiste reprend une chanson d'un autre artiste ou (comme c'est souvent le cas, non seulement dans les domaines du classique et du jazz, mais aussi du rock et de la pop) lorsque le compositeur et l'interprète ne sont pas la même personne.

Modélisation et synthèse

Sur la base de métadonnées, Valence construit des modèles de relations entre les morceaux de musique et les personnes qui les créent. Ces modèles permettent de comprendre le monde de la musique du point de vue d'un fan ou d'un auditeur expert.

Popularité granulaire

Valence produit des "chartes" de popularité internes à tous les niveaux : artiste, album, morceau et composition. Il génère également plusieurs palmarès plus spécifiques par genre, ainsi qu'une série consacrée à la musique classique.

Rôles et relations

Ce que les gens font dans la musique informe le modèle de Valence sur le monde de la musique. Par exemple, Trent Reznor entretient des relations différentes avec la musique qu'il crée lorsqu'il est le leader de Nine Inch Nails, lorsqu'il collabore à une musique de film avec Atticus Ross ou lorsqu'il produit un album pour Halsey.

Mappages composition-enregistrement

Une sonate comportant trois mouvements ne garantit pas qu'il y aura trois pistes correspondantes sur un album présentant cette composition. La compréhension des œuvres sous-jacentes et de leurs subdivisions permet à Valence de représenter correctement les reprises de chansons pop, les standards de jazz de l'American Songbook et les œuvres classiques à plusieurs voix.

Modèle de similarité

Le modèle de similarité de Valence évalue les similitudes entre certains artistes, albums et morceaux et d'autres artistes, albums et morceaux. Il est basé à la fois sur le comportement des utilisateurs (les personnes qui aiment X aiment aussi Y) et sur l'opinion d'experts ou la vérité de terrain.

Artiste "heyday

Au cours de la carrière d'un artiste ou d'un compositeur, des schémas apparaissent souvent, illustrant des plages d'œuvres particulièrement appréciées. Valence modélise ces plages pour créer une notion d'"apogée", c'est-à-dire des périodes particulièrement remarquables dans la carrière de cette personne.

X-ness

Les musiciens évoluent souvent au cours de leur carrière. Valence attribue des scores pour la "genreness" et la "composerness" (parmi de nombreux autres vecteurs) pour aider à comprendre si Taylor Swift est une artiste pop ou country, ou si Bob Dylan doit être considéré comme un interprète ou un auteur-compositeur.

Recommandation

Valence prend en compte cinq facteurs lorsqu'il s'agit de faire des recommandations musicales. Utilisés ensemble, ces facteurs permettent de faire des suggestions centrées sur l'utilisateur et sensibles à la musique, qui sont d'une précision étonnante.

Modèles de pertinence et de popularité

Dans les limites des connexions basées sur les métadonnées, Valence utilise ses modèles pour affiner et produire un ensemble plus nuancé et significatif de recommandations possibles.

Conscience du contexte

Le contexte dans lequel une recommandation est faite peut avoir un impact radical sur son exactitude. Une excellente liste d'albums de R&B serait complètement différente dans le contexte d'Aretha Franklin et de Frank Ocean ; une liste de pianistes remarquables dans le contexte de Chopin n'a rien à voir avec ceux du contexte du jazz post-bop.

Profil gustatif

Valence génère un modèle privé, stocké dans le profil de chaque utilisateur, qui documente les facettes du goût de l'utilisateur en fonction de sa bibliothèque et de son historique d'écoute. Les recommandations sont pondérées en tenant compte de ce profil.

Des métadonnées qui font autorité

Les informations factuelles constituent la base des recommandations ; par exemple, le fait de savoir que deux musiciens ont collaboré est la meilleure preuve d'un lien entre eux. Les informations éditoriales (telles que les catégories de genre et les classements d'albums) constituent une autre dimension sur laquelle s'appuient les suggestions.

Avis d'experts

Indépendamment des approches techniques de la science des données sous-jacente, la connaissance du domaine de la musique est l'épine dorsale de Valence. Ce qui la distingue, ce sont des subtilités telles que les différences entre le R&B des années 60 et le R B contemporain, ou le fait que Taylor Swift a commencé par la country et a fini par dominer les hit-parades pop, ou que vous ne voulez probablement pas entendre les quatuors à cordes de Beethoven entre les mouvements de ses symphonies.

Valence au travail dans Roon
Interface utilisateur tenant compte des données

L'un des exemples les plus frappants de Valence dans Roon est celui des éléments de l'interface utilisateur qui apparaissent en fonction du contexte. Par exemple, si vous regardez un artiste qui a souvent collaboré, vous pouvez voir "featured collaborators" ou si l'artiste fait partie d'une scène, vous pouvez voir "other artists from Glasgow" (autres artistes de Glasgow). Roon contient des centaines d'éléments d'interface utilisateur qui ne sont affichés que dans des contextes accompagnés de données pertinentes.

Bibliothèque entrelacée

Le contenu local et le contenu en continu étant identifiés de la même manière, ils sont tous deux enrichis de métadonnées et imbriqués dans Roon. Cela élimine les silos de contenu et permet une navigation véritablement axée sur l'intention - l'accent est mis sur ce que vous voulez écouter, et non sur l'endroit où cette chose se trouve.

Nouvelles publications

Les nouveautés sont affichées dans différents contextes dans Roon, et dans chaque contexte, les résultats sont complètement différents. Les nouveautés affichées sur l'écran d'accueil sont filtrées à l'aide du profil de goût, mais celles affichées sur l'écran d'un artiste intègrent également le genre et les années d'activité de l'artiste pour une plus grande pertinence.

Mélanges quotidiens

Chaque jour, Valence produit six mix uniques de 25 pistes pour chaque utilisateur de Roon. Chaque mix a pour thème un artiste qui figure en bonne place dans l'historique d'écoute de l'utilisateur, et combine des sélections susceptibles d'être familières avec d'autres qui remettront en question les goûts de l'auditeur.

Filtre anti-spam

Comme tout grand système, la chaîne d'approvisionnement de la musique en streaming est propice aux abus. De nombreux labels "mauvais joueurs" publient des enregistrements inauthentiques dans le but d'inciter les utilisateurs à écouter leurs flux. Valence permet à Roon de filtrer ce contenu de mauvaise qualité et d'afficher uniquement les enregistrements authentiques.

Focus

Dans Roon, Focus expose les capacités de Valence directement à l'utilisateur et permet un filtrage multidimensionnel des discographies d'artistes et des bibliothèques entières des utilisateurs.

Recherche

Traditionnellement, la recherche d'un ensemble de fichiers locaux est une chose, et la recherche d'un ensemble de données distantes par API en est une autre. Roon fait les deux avec une interface utilisateur unifiée en utilisant la base de données agrégée de Valance et la recherche contextuelle, améliorant à la fois la précision et la pertinence.