BaRT steht für Bandits for Recommendations as Treatments. Es ist das KI-System, das steuert, was auf dem Startseite-Bildschirm eines Spotify-Nutzers erscheint, einschließlich der Reihenfolge der Playlists, der Songs in diesen Playlists und des erklärenden Textes, der Empfehlungen begleitet.
Der Name leitet sich von einer Machine-Learning-Technik namens „Multi-Armed Bandits“ ab, die dem Algorithmus hilft zu entscheiden, wann er mit vertrauter Musik auf Nummer sicher gehen oder etwas Neues einführen soll.
Wie BaRT den Startseite-Bildschirm organisiert
Der Startseite-Bildschirm von Spotify ist als Reihen von Playlists strukturiert, die als „Shelves“ (Regale) bezeichnet werden (wie „Für dich erstellt“ oder „Inspiriert von deinem letzten Hören“), wobei einzelne Playlists innerhalb dieser Shelves als „Cards“ (Karten) bezeichnet werden.
BaRT hat zwei Aufgaben:
- Die Karten innerhalb jedes Shelves einstufen – entscheiden, welche Playlists zuerst erscheinen
- Die Shelves selbst einstufen – entscheiden, welche Inhaltsreihen oben auf dem Bildschirm erscheinen
Diese Einstufung wird in Echtzeit personalisiert, basierend auf Ihrer Hörhistorie, der Tageszeit und darauf, wie Sie auf frühere Empfehlungen reagiert haben.
Wie gleicht BaRT Erkundung vs. Ausbeutung aus?
BaRT gleicht ständig zwei Modi ab:
Der Exploitation-Modus (Ausbeutungsmodus) empfiehlt Inhalte, von denen das System überzeugt ist, dass sie Ihnen gefallen werden. Er stützt sich auf Ihre Hörhistorie, gespeicherte Songs, übersprungene Titel und Playlist-Aktivitäten, um vorherzusagen, was Sie zum Streamen veranlassen wird.
Der Exploration-Modus (Erkundungsmodus) empfiehlt Inhalte, bei denen das System unsicher ist. Dies dient zwei Zwecken: Es hilft Spotify, mehr über Ihre Vorlieben zu erfahren, und es macht Sie mit Musik bekannt, die Sie sonst vielleicht nicht gefunden hätten.
Das Gleichgewicht zwischen diesen Modi wird durch eine „Epsilon-Greedy“-Strategie gesteuert. Die meiste Zeit nutzt BaRT das, was es über Sie weiß (Exploitation). Gelegentlich erkundet es, um neue Informationen zu sammeln.
Bei neuen Nutzern mit wenig Hörhistorie neigt BaRT stärker zur Erkundung. Bei langjährigen Nutzern mit etablierten Vorlieben neigt es stärker zur Ausbeutung.
Was ist das 30-Sekunden-Erfolgssignal?
BaRT misst seine eigene Leistung anhand eines einfachen Schwellenwerts: Wenn ein Hörer einen empfohlenen Titel länger als 30 Sekunden streamt, wird die Empfehlung als erfolgreich gewertet.
Je länger jemand eine empfohlene Playlist oder Radiosession hört, desto mehr Vertrauen gewinnt BaRT in seine Vorhersagen für diesen Nutzer. Deshalb schaden frühe Sprünge Ihrer algorithmischen Reichweite – sie bringen BaRT bei, dass die Empfehlung fehlgeschlagen ist.
Welche drei Datenquellen nutzt BaRT?
BaRT arbeitet nicht allein. Es greift auf drei Hauptdatenpipelines zurück:
| Datenquelle | Was es erfasst | Wie es hilft |
|---|---|---|
| Kollaboratives Filtern | Muster dessen, was ähnliche Hörer mögen | „Fans von Künstler X mögen auch Künstler Y“ |
| Audioanalyse | Tempo, Tonart, Energie, Klangfarbe | Findet klanglich ähnliche Titel für Radio |
| Natural Language Processing | Songtexte, Playlist-Titel, Blog-Erwähnungen | Versteht Stimmung und Genre-Kontext |
Diese Signale fließen in BaRT ein, das dann entscheidet, wie sie für jeden einzelnen Nutzer gewichtet werden.
Was bedeutet das für Künstler?
BaRT ist kein Türsteher, den man pitchen kann. Es ist eine Vorhersagemaschine, die aus dem Verhalten der Hörer lernt.
Viele saves und wenige Sprünge lehren BaRT, dass Ihre Musik die Zuhörer zufriedenstellt, denen sie gezeigt wurde. Dies erhöht die Wahrscheinlichkeit zukünftiger Empfehlungen.
Viele Sprünge und wenige saves lehren BaRT, dass die Empfehlung nicht passte. Das System wird Ihren Titel seltener ähnlichen Hörern zeigen.
Der einzige Weg, BaRT zu beeinflussen, besteht darin, ihm positive Signale durch echtes Hörer-Engagement zu senden. Das bedeutet, dass man sich auf die Save-Rate, die Abschlussrate und wiederholte Wiedergaben konzentriert und nicht auf reine Stream-Zahlen.
Wie schneidet BaRT im Vergleich zu anderen Systemen von Spotify ab?
BaRT ist speziell für den Startseite-Bildschirm und personalisierte Shelf-Empfehlungen zuständig. Andere algorithmische Oberflächen haben ihre eigene Logik:
- Discover Weekly wird jeden Montag mithilfe von kollaborativem Filtern aktualisiert
- Release Radar wird jeden Freitag aktualisiert und priorisiert gefolgten Künstlern
- Radio und Autoplay verwenden Signale zur Audioähnlichkeit und zur Fortsetzung der Session
Diese Systeme teilen Daten, arbeiten aber unabhängig voneinander. Ein Titel, der bei BaRTs Startseite-Empfehlungen gut abschneidet, kann auch von Radio aufgegriffen werden, aber es gibt keine garantierte Überschneidung.
Welche Forschung steckt hinter BaRT?
Die grundlegende Forschung wurde 2018 von Spotify-Ingenieuren unter dem Titel „Explore, Exploit, Explain: Personalizing Explainable Recommendations with Bandits“ veröffentlicht. Das Paper beschreibt, wie BaRT lernt, die Zufriedenheit der Nutzer für jede Kombination aus Element, Erklärung und Kontext vorherzusagen.
Seitdem verfeinert Spotify diesen Ansatz kontinuierlich. Ein Forschungsartikel aus dem Jahr 2025 beschreibt die Verwendung von kontextuellen Banditen zur Kalibrierung von Inhaltstypen (Musik, Podcasts, Hörbücher) innerhalb von Empfehlungslisten, um sich in Echtzeit an die sich entwickelnden Vorlieben der Nutzer anzupassen.