Soutenance de thèse de doctorat : Pasquale Lisena

BNF

Bibliotheque paris / BNF 43 Vues comments

Le 11 octobre 2019, Pasquale Lisena, doctorant dans le cadre du programme ANR DOREMUS soutient sa thèse de doctorat intitulée  Recommandation musicale basée sur la connaissance : modèles, algorithmes et recherche exploratoire = Knowledge-based music recommendation: Models, algorithms and exploratory search menée sous la direction de Benoît Huet et Raphaël Troncy .

Résumé

« Recommandation musicale basée sur la connaissance : modèles, algorithmes et recherche exploratoire »

Représenter l’information décrivant la musique est une activité complexe, qui implique différentes sous-tâches. Cette thèse porte principalement sur la musique classique et étudie comment représenter et exploiter ces informations. L’objectif principal est l’étude de stratégies de représentation et de découverte de connaissances appliquées à la musique classique, dans des domaines tels que la production de bases de connaissances, la prédiction de métadonnées et les systèmes de recommandation.
Nous proposons tout d’abord une architecture pour la gestion des métadonnées de musique à l’aide des technologies du Web Sémantique. Nous introduisons une ontologie spécialisée et un ensemble de vocabulaires contrôlés pour les différents concepts spécifiques à la musique.
Ensuite, nous présentons une approche de conversion des données, afin d’aller au-delà de la pratique bibliothécaire actuellement utilisée, en s’appuyant sur des règles d’appariement et sur l’interconnexion avec des vocabulaires contrôlés. Enfin, nous montrons comment ces données peuvent être exploitées. En particulier, nous étudions des approches basées sur des plongements calculés sur des métadonnées structurées, des titres et de la musique symbolique pour classer et recommander de la musique.
Plusieurs applications de démonstration ont été réalisées pour tester les approches et les ressources produites.


« Knowledge-based music recommendation: Models, algorithms and exploratory search »

Representing information about music is a complex activity that involves different sub-tasks. This thesis mostly focuses on classical music, researching how to represent and exploit rich metadata. Our main goal is to investigate knowledge representation and discovery strategies applied to classical music, including research topics such as Knowledge-Base population, metadata prediction and recommender systems.
We first propose a complete workflow for the management of music metadata using Semantic Web technologies. We introduce a specialized ontology and a set of controlled vocabularies for the different concepts specific to music. Then, we present an approach for converting data, in order to go beyond the librarian practice currently in use, relying on mapping rules and interlinking with controlled vocabularies. Finally, we show how these data can be exploited. In particular, we study approaches based on embeddings computed on structured metadata, titles, and symbolic music for ranking and recommending music. Several demo applications have been realized for testing the previous approaches and resources.

Soutenance

  • 11 octobre 2019 à 14h00
  • Lieu : EURECOM, Campus SophiaTech, 450 route des Chappes, 06410 Biot
  • Salle : Salle des Conseils

Composition du jury

Rapporteurs

  • Mounia LLAMAS (Spotify & Université Collège Londres – GB)
  • Michel BUFFA (I3S, Université Côte d’Azur- France)

Examinateurs

  • Gaël RICHARD (Telecom Paris – France)
  • Tommaso DI NOIA (Ecole Polytechnique de Bari – Italie)
  • Pietro MICHIARDI (EURECOM)

Directeurs de thèse

  • Directeur de thèse : Benoît HUET (EURECOM)
  • Co-directeur : Raphaël TRONCY (EURECOM)

Commentaires