Bagaimana BaRT mengatur Home Screen
Spotify's Home screen terstruktur sebagai baris playlist yang disebut "shelf" (seperti "Made for You" atau "Inspired by your recent listening"), dengan daftar puter individu di dalam shelf tersebut disebut "cards".
BaRT memiliki dua pekerjaan:
- Rank kartu di dalam setiap rak - memutuskan mana daftar puter muncul pertama
- Rank rak sendiri - memutuskan baris konten yang muncul di bagian atas layar Anda
Peringkat ini dipersonalisasi secara real time berdasarkan sejarah mendengarkan Anda, waktu siang, dan bagaimana Anda menanggapi rekomendasi sebelumnya.
Bagaimana BaRT Menimbang Eksplorasi vs Eksploitasi?
BaRT selalu menyeimbangkan dua mode:
** Mode Eksploitasi** merekomendasikan konten yang sistem yakin akan Anda nikmati. Ini menggunakan riwayat mendengarkan Anda, lagu yang disimpan, lagu yang diabaikan, dan aktivitas playlist untuk memprediksi apa yang akan membuat Anda streaming.
** Mode eksplorasi** merekomendasikan konten yang tidak pasti sistem. Ini melayani dua tujuan: membantu Spotify mempelajari lebih lanjut tentang preferensi Anda, dan memperkenalkan Anda ke musik yang mungkin tidak Anda temukan jika tidak.
Keseimbangan antara mode ini dikelola oleh strategi "epsilon-bercenda". Sebagian besar waktu, BaRT mengeksploitasi apa yang dia tahu tentang Anda.
Bagi pengguna baru dengan sejarah mendengarkan yang sedikit, BaRT lebih cenderung pada eksplorasi. bagi pengguna lama dengan preferensi yang sudah mapan, lebih cenderung pada eksploitasi.
Apa Isinya Sinyal Sukses 30 Detik?
BaRT mengukur kinerja sendiri menggunakan ambang sederhana: jika pendengar menyiarkan lagu yang direkomendasikan selama lebih dari ** 30 detik**, rekomendasi dihitung sebagai sukses.
Semakin lama seseorang mendengarkan daftar puter atau sesi radio yang direkomendasikan, semakin banyak kepercayaan diri BaRT dalam prediksi untuk pengguna itu. Inilah sebabnya mengapa melompat awal melukai jangkauan algoritma Anda - mereka mengajarkan BaRT bahwa rekomendasi gagal.
Apa yang digunakan oleh BaRT?
BaRT tidak bekerja sendiri.
| Sumber data | Apa yang ia capture | Bagaimana itu membantu |
|---|---|---|
| ** Filtrasi kolaboratif** | Pola dalam apa yang disukai pendengar yang serupa | "Pencinta Artist X juga menyukai Artist Y" |
| ** Analisis audio** | Tempo, kunci, energi, timbre | Menemukan lagu yang mirip untuk Radio |
| Pelaksanaan bahasa alami | Lirik, judul playlist, sebutan blog | Memahami suasana hati dan konteks genre |
Sinyal-sinyal ini masuk ke BaRT, yang kemudian memutuskan bagaimana mereka akan dibobot untuk setiap pengguna individu.
Apa artinya ini bagi seniman
BaRT bukan penjaga gerbang yang bisa Anda buat. Ini adalah mesin prediksi yang belajar dari perilaku pendengar.
Separan tinggi dan lompatan rendah mengajarkan BaRT bahwa musik Anda memuaskan pendengar yang ditampilkan.
Spring tinggi dan save rendah mengajarkan BaRT bahwa rekomendasi itu tidak sesuai. Sistem menjadi kurang mungkin untuk menunjukkan trek Anda kepada pendengar yang serupa.
Satu-satunya cara untuk mempengaruhi BaRT adalah dengan mengirim sinyal positif melalui keterlibatan pendengar yang nyata. Ini berarti mengoptimalkan tingkat penghematan, tingkat penyelesaian, dan mendengarkan berulang daripada menghitung aliran mentah.
Bagaimana BaRT Dibandingkan dengan Sistem Spotify lainnya?
BaRT secara khusus menangani layar Home dan rekomendasi rak yang dipersonalisasi.
- Discover Weekly memperbarui setiap Senin menggunakan penyaringan kolaboratif
- Release Radar update setiap hari Jumat dan prioritas mengikuti seniman
- Radio dan Autoplay menggunakan sinyal audio mirip dan sesi-terusan
Sistem ini berbagi data, tetapi mereka beroperasi secara independen. Lagu yang tampil baik dalam rekomendasi Home BaRT juga dapat diambil oleh Radio, tetapi tidak ada crossover yang dijamin.
Penelitian Apa yang Ada di Balik BaRT?
Penelitian dasar diterbitkan oleh insinyur Spotify pada tahun 2018 dengan judul "Explore, Exploit, Explain: Personalizing Explainable Recommendations with Bandits". Makalah ini menggambarkan bagaimana BaRT belajar untuk memprediksi kepuasan pengguna untuk kombinasi item, penjelasan, dan konteks.
Sejak itu, Spotify terus memperbaiki pendekatan ini. Makalah penelitian 2025 menggambarkan penggunaan bandit kontekstual untuk mengkalibrasi jenis konten (musik, podcast, buku audio) dalam daftar rekomendasi, beradaptasi dengan preferensi pengguna yang berkembang secara real time.