Contributions à la mise à l'échelle d'algorithmes d'apprentissage séquentiel pour la recommandation de musique en contexte industriel

Les systèmes de recommandation aident les utilisateurs à découvrir du contenu pertinent dans des catalogues en lignetrop vastes pour être explorés manuellement. Par exemple, sur les plateformes de streaming musical, ils suggèrent deschansons, albums ou artistes susceptibles de plaire à l’utilisateur. Historiquement, ces systèmes prédisaient les goûtsindividuels des utilisateurs pour chaque chanson, sans prendre en compte l’aspect séquentiel de l’écoute de musique oul’immensité des catalogues disponibles. Cette thèse propose des solutions pour rendre les systèmes de recommandationplus adaptés aux plateformes musicales modernes, en adaptant des méthodes de prise de décision séquentielle auxcontraintes posées par la taille des catalogues de musique. Elle introduit une méthode pour prolonger automatiquementdes playlists ainsi qu’un nouveau schéma d’exploration, adoptés par la plateforme Deezer, pour explorer efficacement devastes catalogues musicaux en temps réel.