Wie BaRT den Startbildschirm organisiert
Der Spotify-Startbildschirm ist in Reihen von Playlists strukturiert, die "Regale" genannt werden (wie "Für dich erstellt" oder "Inspiriert durch dein kürzliches Hören"), mit einzelnen Playlists innerhalb dieser Regale, die "Karten" genannt werden.
BaRT hat zwei Aufgaben:
- Bewertung der Karten innerhalb jedes Regals – Entscheidung, welche Playlists zuerst erscheinen
- Bewertung der Regale selbst – Entscheidung, welche Inhaltsreihen oben auf deinem Bildschirm erscheinen
Diese Bewertung wird in Echtzeit basierend auf deinem Hörverlauf, der Tageszeit und deiner Reaktion auf frühere Empfehlungen personalisiert.
Wie gleicht BaRT Exploration und Exploitation aus?
BaRT balanciert ständig zwischen zwei Modi:
Exploitation-Modus empfiehlt Inhalte, bei denen das System sicher ist, dass sie dir gefallen werden. Es nutzt deinen Hörverlauf, gespeicherte Songs, übersprungene Titel und Playlist-Aktivitäten, um vorherzusagen, was dich zum Streamen animiert.
Exploration-Modus empfiehlt Inhalte, bei denen sich das System unsicher ist. Dies dient zwei Zwecken: Es hilft Spotify, mehr über deine Vorlieben zu erfahren, und es stellt dir Musik vor, die du sonst vielleicht nicht gefunden hättest.
Das Gleichgewicht zwischen diesen Modi wird durch eine "Epsilon-Greedy"-Strategie gesteuert. Die meiste Zeit nutzt BaRT das, was es über dich weiß (Exploitation). Gelegentlich erkundet es (Exploration), um neue Informationen zu sammeln.
Wichtige Erkenntnis: Bei neuen Nutzern mit wenig Hörverlauf setzt BaRT stärker auf Exploration. Bei langjährigen Nutzern mit etablierten Vorlieben neigt es eher zur Exploitation.
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 Radio-Session hört, desto mehr Vertrauen gewinnt BaRT in seine Vorhersagen für diesen Nutzer. Deshalb schaden frühe Skips Ihrer algorithmischen Reichweite – sie signalisieren BaRT, dass die Empfehlung nicht erfolgreich war.
Welche drei Datenquellen nutzt BaRT?
BaRT arbeitet nicht allein. Es greift auf drei Hauptdatenpipelines zurück:
| Datenquelle | Was sie erfasst | Wie sie hilft |
|---|---|---|
| Kollaboratives Filtern | Muster, was ähnliche Hörer mögen | "Fans von Künstler X mögen auch Künstler Y" |
| Audioanalyse | Tempo, Tonart, Energie, Klangfarbe | Findet klanglich ähnliche Titel für Radio |
| Natürliche Sprachverarbeitung | Liedtexte, 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 Torwächter, den man beeinflussen kann. Es ist eine Vorhersage-Engine, die aus dem Verhalten der Hörer lernt.
Viele saves und wenige Übersprünge signalisieren BaRT, dass deine Musik die Hörer zufriedenstellt, denen sie angezeigt wurde. Dies erhöht die Wahrscheinlichkeit zukünftiger Empfehlungen.
Viele Übersprünge und wenige saves signalisieren BaRT, dass die Empfehlung ein Missverhältnis war. Das System wird deinen Titel ähnlichen Hörern seltener anzeigen.
Der einzige Weg, BaRT zu beeinflussen, besteht darin, durch echtes Hörer-Engagement positive Signale zu senden. Das bedeutet, dass Sie die Save-Rate, die Abschlussrate und wiederholte Wiedergaben optimieren sollten, anstatt sich nur auf reine Stream-Zahlen zu konzentrieren.
Wie schneidet BaRT im Vergleich zu anderen Spotify-Systemen ab?
BaRT verwaltet speziell den Startbildschirm und personalisierte Regal-Empfehlungen. Andere algorithmische Oberflächen haben ihre eigene Logik:
- Dein Mix der Woche wird jeden Montag durch kollaboratives Filtern aktualisiert
- Release Radar aktualisiert jeden Freitag und priorisiert gefolgte Künstler
- Radio und Autoplay nutzen Audioähnlichkeit und Sitzungsfortsetzungssignale
Diese Systeme tauschen Daten aus, arbeiten aber unabhängig. Ein Titel, der in den BaRT-Startseitenempfehlungen gut abschneidet, kann auch im 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 Papier beschreibt, wie BaRT lernt, die Nutzerzufriedenheit für jede Kombination aus Element, Erklärung und Kontext vorherzusagen.
Seitdem hat Spotify den Ansatz weiter verfeinert. Ein Forschungspapier von 2025 beschreibt die Verwendung von kontextuellen Banditen, um Inhaltstypen (Musik, Podcasts, Hörbücher) innerhalb von Empfehlungslisten zu kalibrieren und sich in Echtzeit an die sich entwickelnden Vorlieben der Nutzer anzupassen.