BaRT는 홈 화면을 어떻게 구성하나요?
Spotify 홈 화면은 "Made for You"나 "Inspired by your recent listening"처럼 플레이리스트 행으로 구성되며, 이를 "셸프"라고 합니다. 셸프 안에 있는 개별 플레이리스트는 "카드"입니다.
BaRT의 역할은 두 가지입니다.
- 각 셸프 안에서 카드 순위를 매깁니다 - 어떤 플레이리스트를 먼저 표시할지 결정합니다.
- 셸프 자체의 순위를 매깁니다 - 어떤 콘텐츠 행을 화면 상단에 표시할지 결정합니다.
이 순위는 청취 기록, 시간대, 이전 추천에 어떻게 반응했는지를 바탕으로 실시간 개인화됩니다.
BaRT는 탐색과 활용의 균형을 어떻게 맞추나요?
BaRT는 두 가지 모드의 균형을 끊임없이 맞춥니다.
활용 모드는 시스템이 사용자가 좋아할 것이라고 확신하는 콘텐츠를 추천합니다. 청취 기록, 저장한 곡, 건너뛴 트랙, 플레이리스트 활동을 바탕으로 무엇이 스트리밍을 계속하게 할지 예측합니다.
탐색 모드는 시스템이 아직 확신하지 못하는 콘텐츠를 추천합니다. 여기에는 두 가지 목적이 있습니다. Spotify가 사용자의 취향을 더 많이 학습하도록 돕고, 그렇지 않았다면 발견하지 못했을 음악을 소개하는 것입니다.
두 모드의 균형은 "epsilon-greedy" 전략으로 관리합니다. BaRT는 대부분의 경우 사용자에 관해 알고 있는 내용을 활용하고, 가끔 탐색해 새로운 정보를 수집합니다.
청취 기록이 거의 없는 신규 사용자에게 BaRT는 탐색에 더 크게 기웁니다. 취향이 확립된 장기 사용자에게는 활용 쪽으로 더 기웁니다.
30초 성공 신호란 무엇인가요?
BaRT는 단순한 기준으로 자체 성과를 측정합니다. 리스너가 추천받은 트랙을 30초 넘게 스트리밍하면 해당 추천을 성공으로 집계합니다.
누군가 추천받은 플레이리스트나 라디오 세션을 오래 들을수록 BaRT는 그 사용자에 대한 예측에 더 큰 확신을 갖습니다. 이것이 초반의 건너뛰기가 알고리즘 도달 범위를 해치는 이유입니다. 초반 건너뛰기는 추천이 실패했다고 BaRT에 알려 줍니다.
BaRT가 사용하는 세 가지 데이터 소스
BaRT는 혼자 작동하지 않습니다. 세 가지 주요 데이터 파이프라인을 사용합니다.
| 데이터 소스 | 포착하는 내용 | 도움이 되는 방식 |
|---|---|---|
| 협업 필터링 | 유사한 리스너가 무엇을 좋아하는지에 관한 패턴 | "Artist X의 팬은 Artist Y도 좋아함" |
| 오디오 분석 | 템포, 키, 에너지, 음색 | Radio에서 음향적으로 유사한 트랙을 찾음 |
| 자연어 처리 | 가사, 플레이리스트 제목, 블로그 언급 | 분위기와 장르의 맥락을 이해함 |
이 신호들이 BaRT로 들어가면, BaRT는 각 사용자에게 어떤 가중치를 적용할지 결정합니다.
아티스트에게 이것은 무엇을 의미하나요?
BaRT는 피치할 수 있는 문지기가 아닙니다. 리스너의 행동에서 학습하는 예측 엔진입니다.
저장이 많고 건너뛰기가 적은 경우는 당신의 음악이 노출된 리스너를 만족시켰다고 BaRT에 알려 줍니다. 그러면 향후 추천될 가능성이 높아집니다.
높은 건너뛰기와 낮은 저장은 추천이 맞지 않았다고 BaRT에 알려 줍니다. 시스템은 유사한 리스너에게 당신의 트랙을 보여 줄 가능성을 낮춥니다.
BaRT에 영향을 주는 유일한 방법은 진짜 리스너 참여를 통해 긍정적인 신호를 보내는 것입니다. 원시 스트림 수가 아니라 저장률, 완주율, 반복 청취를 기준으로 최적화하세요.
BaRT는 Spotify의 다른 시스템과 어떻게 다른가요?
BaRT는 홈 화면과 개인화된 셸프 추천을 담당합니다. 다른 알고리즘 노출 영역에는 각자의 로직이 있습니다.
- Discover Weekly는 협업 필터링을 사용해 매주 월요일 새로 고쳐집니다.
- Release Radar는 매주 금요일 업데이트되며 팔로우하는 아티스트를 우선합니다.
- Radio와 Autoplay는 오디오 유사성과 세션을 이어 가는 신호를 사용합니다.
이 시스템들은 데이터를 공유하지만 독립적으로 작동합니다. BaRT의 홈 추천에서 좋은 성과를 낸 트랙이 Radio에도 선택될 수는 있지만, 서로 연동된다는 보장은 없습니다.
BaRT의 배경에는 어떤 연구가 있나요?
기초 연구는 Spotify 엔지니어들이 2018년에 "Explore, Exploit, Explain: Personalizing Explainable Recommendations with Bandits"라는 제목으로 발표했습니다. 이 논문은 BaRT가 아이템, 설명, 맥락의 어떤 조합에 대해서든 사용자 만족도를 예측하는 방법을 학습한다고 설명합니다.
그 이후 Spotify는 이 접근법을 계속 개선해 왔습니다. 2025년 연구 논문에서는 컨텍스트 밴딧을 사용해 추천 목록 안의 콘텐츠 유형(음악, 팟캐스트, 오디오북)을 조정하고, 변화하는 사용자의 취향에 실시간으로 적응하는 방법을 설명합니다.