So organisiert BaRT den Home-Bildschirm
Spotifys Home-Bildschirm ist in Reihen von Playlists gegliedert, die „Shelves“ (Regale) genannt werden, etwa „Made for You“ oder „Inspired by your recent listening“. Die einzelnen Playlists innerhalb dieser Regale heißen „Cards“ (Karten).
BaRT hat zwei Aufgaben:
- Die Karten innerhalb jedes Regals ranken – es entscheidet, welche Playlists zuerst erscheinen
- Die Regale selbst ranken – es entscheidet, welche Inhaltsreihen oben auf deinem Bildschirm erscheinen
Dieses Ranking wird in Echtzeit personalisiert und basiert auf deiner Hörhistorie, der Tageszeit und deiner Reaktion auf frühere Empfehlungen.
Wie gleicht BaRT Exploration und Exploitation aus?
BaRT gleicht ständig zwei Modi aus:
Der Exploitation-Modus empfiehlt Inhalte, bei denen das System sicher ist, dass sie dir gefallen. Es nutzt deine Hörhistorie, gespeicherte Songs, übersprungene Tracks und Playlist-Aktivität, um vorherzusagen, was dich weiterhören lässt.
Der Exploration-Modus empfiehlt Inhalte, bei denen das System unsicher ist. Das dient zwei Zwecken: Spotify lernt mehr über deine Vorlieben, und du entdeckst Musik, die du sonst vielleicht nicht gefunden hättest.
Das Verhältnis dieser Modi wird mit einer „epsilon-greedy“-Strategie gesteuert. Meistens nutzt BaRT sein Wissen über dich (Exploitation). Gelegentlich erkundet es neue Inhalte, um Informationen zu sammeln.
Bei neuen Nutzern mit wenig Hörhistorie neigt BaRT stärker zur Exploration. Bei langjährigen Nutzern mit gefestigten Vorlieben neigt es stärker zur Exploitation.
Was ist das 30-Sekunden-Erfolgssignal?
BaRT misst seine eigene Leistung mit einer einfachen Schwelle: Wenn ein Hörer einen empfohlenen Track länger als 30 Sekunden streamt, gilt die Empfehlung als erfolgreich.
Je länger jemand eine empfohlene Playlist oder Radio-Session hört, desto mehr Vertrauen gewinnt BaRT in seine Vorhersagen für diesen Nutzer. Deshalb schaden frühe Skips deiner algorithmischen Reichweite – sie zeigen BaRT, dass die Empfehlung fehlgeschlagen ist.
Welche drei Datenquellen nutzt BaRT?
BaRT arbeitet nicht allein. Es greift auf drei wichtige Datenpipelines zurück:
| Datenquelle | Was sie erfasst | Wie sie hilft |
|---|---|---|
| Kollaboratives Filtern | Muster darin, was ähnliche Hörer mögen | „Fans von Künstler X mögen auch Künstler Y“ |
| Audioanalyse | Tempo, Tonart, Energie, Klangfarbe | Findet klanglich ähnliche Tracks für Radio |
| Verarbeitung natürlicher Sprache | Lyrics, Playlist-Titel, Blog-Erwähnungen | Versteht Stimmungs- und Genre-Kontext |
Diese Signale fließen in BaRT ein. Anschließend entscheidet das System, wie es sie für den einzelnen Nutzer gewichtet.
Was das für Künstler bedeutet
BaRT ist kein Gatekeeper, bei dem du pitchen kannst. Es ist eine Vorhersage-Engine, die aus dem Verhalten der Hörer lernt.
Viele Saves und wenige Skips zeigen BaRT, dass deine Musik die Hörer zufriedenstellt, denen sie angezeigt wurde. Dadurch steigt die Wahrscheinlichkeit künftiger Empfehlungen.
Viele Skips und wenige Saves zeigen BaRT, dass die Empfehlung nicht gepasst hat. Das System zeigt deinen Track ähnlichen Hörern dann mit geringerer Wahrscheinlichkeit.
BaRT kannst du nur durch positive Signale aus echter Hörerinteraktion beeinflussen. Optimiere daher auf Save-Rate, Abschlussrate und wiederholtes Hören statt auf reine Stream-Zahlen.
Wie unterscheidet sich BaRT von anderen Spotify-Systemen?
BaRT kümmert sich speziell um den Home-Bildschirm und personalisierte Empfehlungen in Regalen. Andere algorithmische Flächen haben ihre eigene Logik:
- Discover Weekly wird jeden Montag mithilfe kollaborativen Filterns aktualisiert
- Release Radar wird jeden Freitag aktualisiert und priorisiert Künstler, denen der Nutzer folgt
- Radio und Autoplay nutzen Audioähnlichkeit und Signale zur Sitzungsfortsetzung
Diese Systeme teilen Daten, arbeiten aber unabhängig voneinander. Ein Track, der in BaRTs Home-Empfehlungen gut funktioniert, kann auch von Radio aufgegriffen werden, doch es gibt keinen garantierten Übergang.
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. Die Arbeit beschreibt, wie BaRT lernt, die Nutzerzufriedenheit für jede Kombination aus Inhalt, Erklärung und Kontext vorherzusagen.
Seitdem hat Spotify den Ansatz weiter verfeinert. Eine Forschungsarbeit aus dem Jahr 2025 beschreibt den Einsatz kontextbezogener Bandits, um Inhaltstypen (Musik, Podcasts, Hörbücher) innerhalb von Empfehlungslisten zu kalibrieren und die Empfehlungen in Echtzeit an sich verändernde Vorlieben anzupassen.