BaRT가 홈 화면을 구성하는 방식
Spotify 홈 화면은 'Made for You'나 '최근 감상 기반 추천'과 같은 '셸프'라는 플레이리스트 행으로 구성되어 있으며, 각 셸프 내부의 개별 플레이리스트를 '카드'라고 부릅니다.
BaRT는 다음 두 가지 작업을 수행합니다:
- 각 셸프 내 카드 순위 결정 - 어떤 플레이리스트를 먼저 보여줄지 결정
- 셸프 자체의 순위 결정 - 어떤 콘텐츠 행을 화면 상단에 배치할지 결정
이 순위는 사용자의 감상 기록, 시간대, 이전 추천에 대한 반응을 바탕으로 실시간으로 개인화됩니다.
BaRT는 어떻게 탐색과 활용의 균형을 맞출까?
BaRT는 항상 두 가지 모드의 균형을 유지합니다:
활용(Exploitation) 모드는 시스템이 사용자가 좋아할 것이라고 확신하는 콘텐츠를 추천합니다. 사용자의 감상 기록, 저장한 노래, 건너뛴 트랙, 플레이리스트 활동을 분석하여 스트리밍을 지속할 콘텐츠를 예측합니다.
탐색(Exploration) 모드는 시스템이 확신할 수 없는 콘텐츠를 추천합니다. 이는 Spotify가 사용자의 취향을 더 잘 파악하게 돕고, 사용자가 평소라면 발견하지 못했을 음악을 접하게 한다는 두 가지 목적이 있습니다.
이 두 모드 사이의 균형은 '엡실론 그리디(epsilon-greedy)' 전략으로 관리됩니다. 대부분의 경우 BaRT는 사용자에 대해 알고 있는 정보를 활용하지만, 가끔은 새로운 정보를 수집하기 위해 탐색을 시도합니다.
감상 기록이 거의 없는 신규 사용자의 경우, BaRT는 탐색에 더 무게를 둡니다. 확고한 취향을 가진 기존 사용자의 경우, 활용에 더 무게를 둡니다.
30초 성공 신호란 무엇인가?
BaRT는 간단한 기준을 통해 자체 성능을 측정합니다. 청취자가 추천 트랙을 30초 이상 재생하면 해당 추천은 성공으로 간주됩니다.
추천 플레이리스트나 라디오 세션에서 청취 시간이 길어질수록, BaRT는 해당 사용자에 대한 예측 정확도를 높입니다. 이것이 바로 초반 스킵이 알고리즘 도달 범위에 악영향을 미치는 이유입니다. 초반 스킵은 BaRT에게 해당 추천이 실패했음을 학습시키기 때문입니다.
BaRT가 사용하는 세 가지 데이터 소스는?
BaRT는 단독으로 작동하지 않습니다. 세 가지 주요 데이터 파이프라인을 활용합니다:
| 데이터 소스 | 포착하는 정보 | 활용 방식 |
|---|---|---|
| 협업 필터링 | 비슷한 청취자들이 즐기는 패턴 | '아티스트 X의 팬은 아티스트 Y도 좋아함' |
| 오디오 분석 | 템포, 키, 에너지, 음색 | 라디오를 위한 음향적으로 유사한 트랙 탐색 |
| 자연어 처리 | 가사, 플레이리스트 제목, 블로그 언급 | 분위기와 장르 맥락 파악 |
이 신호들은 BaRT로 전달되어 각 개인별로 가중치를 결정하는 데 사용됩니다.
아티스트에게 주는 의미
BaRT는 직접 피칭할 수 있는 게이트키퍼가 아닙니다. 청취자의 행동을 통해 학습하는 예측 엔진입니다.
높은 saves와 낮은 건너뛰기는 BaRT에게 귀하의 음악이 추천된 청취자들을 만족시켰음을 알려줍니다. 이는 향후 추천 확률을 높입니다.
높은 건너뛰기와 낮은 saves는 BaRT에게 추천이 잘못되었음을 알려줍니다. 시스템은 비슷한 청취자에게 귀하의 트랙을 보여줄 확률을 낮춥니다.
BaRT에 영향을 줄 수 있는 유일한 방법은 실제 청취자 참여를 통해 긍정적인 신호를 보내는 것입니다. 즉, 단순 스트림 수보다는 save rate, 완료율, 반복 청취를 최적화하는 것이 중요합니다.
BaRT와 Spotify의 다른 시스템 비교
BaRT는 홈 화면과 개인화된 셸프 추천을 전문적으로 처리합니다. 다른 알고리즘 영역은 자체적인 로직을 가집니다:
- Discover Weekly는 협업 필터링을 사용하여 매주 월요일에 새로 고침됩니다.
- Release Radar는 매주 금요일에 업데이트되며 팔로우한 아티스트를 우선시합니다.
- 라디오와 자동 재생은 오디오 유사성 및 세션 연속성 신호를 사용합니다.
이 시스템들은 데이터를 공유하지만 독립적으로 작동합니다. BaRT 홈 추천에서 좋은 성과를 낸 트랙이 라디오에서 선택될 수도 있지만, 보장된 것은 아닙니다.
BaRT의 기반이 되는 연구
기초 연구는 2018년 Spotify 엔지니어들에 의해 'Explore, Exploit, Explain: Personalizing Explainable Recommendations with Bandits'라는 제목으로 발표되었습니다. 이 논문은 BaRT가 항목, 설명, 맥락의 조합에 대해 사용자 만족도를 예측하는 방법을 설명합니다.
그 이후로 Spotify는 이 접근 방식을 계속 개선해 왔습니다. 2025년 연구 논문에서는 컨텍스트 밴딧을 사용하여 추천 목록 내 콘텐츠 유형(음악, 팟캐스트, 오디오북)을 조정하고, 실시간으로 사용자의 진화하는 취향에 적응하는 방법을 설명합니다.