Hvordan BaRT organiserer Home-skærmen
Spotifys Home-skærm er struktureret som rækker af playlister kaldet "hylder" (som "Made for You" eller "Inspireret af din seneste lytning"), med individuelle playlister inde i de hylder kaldet "kort."
BaRT har to jobs:
- Ranke kortene inden for hver hylde - besluttende hvilke playlister der vises først
- Ranke hylderne selv - besluttende hvilke rækker af indhold der vises øverst på din skærm
Denne ranking er personaliseret i realtid baseret på din lyttehistorik, tidspunkt på dagen og hvordan du har reageret på tidligere anbefalinger.
Hvordan balancerer BaRT exploration vs. exploitation?
BaRT balancerer konstant to tilstande:
Exploitation-tilstand anbefaler indhold systemet er sikkert på du vil nyde. Den trækker på din lyttehistorik, gemte sange, skippede tracks og playlisteaktivitet for at forudsige hvad der vil holde dig streamende.
Exploration-tilstand anbefaler indhold systemet er usikkert omkring. Dette tjener to formål: det hjælper Spotify med at lære mere om dine præferencer, og det introducerer dig til musik du måske ikke havde fundet ellers.
Balancen mellem disse tilstande administreres af en "epsilon-greedy"-strategi. Det meste af tiden exploiterer BaRT hvad den ved om dig. Af og til explorer den for at indsamle ny information.
For nye brugere med lidt lyttehistorik læner BaRT tungere på exploration. For langtidsbrugere med etablerede præferencer læner den mere mod exploitation.
Hvad er 30-sekunders-successsignalet?
BaRT måler sin egen performance ved brug af en simpel tærskel: hvis en lytter streamer et anbefalet track i mere end 30 sekunder, tælles anbefalingen som succesfuld.
Jo længere nogen lytter til en anbefalet playliste eller radiosession, jo mere tillid får BaRT i sine forudsigelser for den bruger. Dette er hvorfor tidlige skips skader din algoritmiske rækkevidde - de lærer BaRT at anbefalingen fejlede.
Hvad er de tre datakilder BaRT bruger?
BaRT virker ikke alene. Den trækker på tre hoveddatapipelines:
| Datakilde | Hvad den fanger | Hvordan den hjælper |
|---|---|---|
| Kollaborativ filtrering | Mønstre i hvad lignende lyttere nyder | "Fans af Kunstner X kan også lide Kunstner Y" |
| Lydanalyse | Tempo, toneart, energi, klangfarve | Finder sonisk lignende tracks til Radio |
| Naturlig sprogbehandling | Lyrics, playlistetitler, blogomtaler | Forstår stemnings- og genrekontekst |
Disse signaler fodrer ind i BaRT, som derefter beslutter hvordan de skal vægtes for hver individuel bruger.
Hvad dette betyder for kunstnere
BaRT er ikke en gatekeeper du kan pitche. Den er en forudsigelsesmotor der lærer fra lytteradfærd.
Høje gemninger og lave skips lærer BaRT at din musik tilfredsstiller de lyttere den blev vist til. Dette øger sandsynligheden for fremtidige anbefalinger.
Høje skips og lave gemninger lærer BaRT at anbefalingen var et mismatch. Systemet bliver mindre tilbøjeligt til at vise dit track til lignende lyttere.
Den eneste måde at påvirke BaRT er at sende den positive signaler gennem ægte lytterengagement. Dette betyder at optimere for gemningsrate, fuldførelsesrate og gentagne lytninger frem for rå streamtal.
Hvordan sammenligner BaRT sig med Spotifys andre systemer?
BaRT håndterer specifikt Home-skærmen og personaliserede hyldeanbefalinger. Andre algoritmiske overflader har deres egen logik:
- Discover Weekly opdaterer hver mandag ved brug af kollaborativ filtrering
- Release Radar opdaterer hver fredag og prioriterer fulgte kunstnere
- Radio og Autoplay bruger lydlighed og sessionsfortsættelsessignaler
Disse systemer deler data, men de opererer uafhængigt. Et track der performer godt i BaRTs Home-anbefalinger kan også blive samlet op af Radio, men der er ingen garanteret crossover.
Hvad forskning ligger bag BaRT?
Den grundlæggende forskning blev publiceret af Spotify-ingeniører i 2018 under titlen "Explore, Exploit, Explain: Personalizing Explainable Recommendations with Bandits." Artiklen beskriver hvordan BaRT lærer at forudsige brugertilfredshed for enhver kombination af item, forklaring og kontekst.
Siden da har Spotify fortsat med at forfine tilgangen. En 2025-forskningsartikel beskriver brug af kontekstuelle banditter til at kalibrere indholdstyper (musik, podcasts, lydbøger) inden for anbefalingslister, tilpassende brugeres udviklende præferencer i realtid.