Hoe BaRT het Home-scherm organiseert
Spotify's Home-scherm is gestructureerd als rijen afspeellijsten genaamd "planken" (zoals "Made for You" of "Inspired by your recent listening"), met individuele afspeellijsten binnen die planken genaamd "kaarten."
BaRT heeft twee taken:
- De kaarten binnen elke plank ranken — beslissen welke afspeellijsten eerst verschijnen
- De planken zelf ranken — beslissen welke rijen content bovenaan je scherm verschijnen
Deze ranking is realtime gepersonaliseerd op basis van je luistergeschiedenis, het tijdstip van de dag en hoe je op eerdere aanbevelingen hebt gereageerd.
Hoe balanceert BaRT exploratie versus exploitatie?
BaRT balanceert constant twee modi:
Exploitatiemodus beveelt content aan waarvan het systeem zeker is dat je het leuk zult vinden. Het trekt uit je luistergeschiedenis, opgeslagen nummers, geskipte tracks en afspeellijstactiviteit om te voorspellen wat je zal laten streamen.
Exploratiemodus beveelt content aan waarover het systeem onzeker is. Dit dient twee doelen: het helpt Spotify meer over je voorkeuren te leren, en het introduceert je aan muziek die je anders misschien niet had gevonden.
De balans tussen deze modi wordt beheerd door een "epsilon-greedy"-strategie. Meestal exploiteert BaRT wat het over je weet. Af en toe explorteert het om nieuwe informatie te verzamelen.
Voor nieuwe gebruikers met weinig luistergeschiedenis leunt BaRT zwaarder op exploratie. Voor langdurige gebruikers met gevestigde voorkeuren leunt het meer naar exploitatie.
Wat is het 30-seconden-succesignaal?
BaRT meet zijn eigen prestaties met een simpele drempel: als een luisteraar een aanbevolen track langer dan 30 seconden streamt, wordt de aanbeveling geteld als succesvol.
Hoe langer iemand naar een aanbevolen afspeellijst of radiosessie luistert, hoe meer vertrouwen BaRT krijgt in zijn voorspellingen voor die gebruiker. Dit is waarom vroege skips je algoritmische bereik schaden — ze leren BaRT dat de aanbeveling faalde.
Wat zijn de drie databronnen die BaRT gebruikt?
BaRT werkt niet alleen. Het trekt uit drie hoofddatapiplijnen:
| Databron | Wat het vastlegt | Hoe het helpt |
|---|---|---|
| Collaborative filtering | Patronen in wat vergelijkbare luisteraars leuk vinden | "Fans van Artiest X houden ook van Artiest Y" |
| Audioanalyse | Tempo, toonsoort, energie, timbre | Vindt sonisch vergelijkbare tracks voor Radio |
| Natuurlijke-taalverwerking | Lyrics, afspeellijsttitels, blogvermeldingen | Begrijpt stemming- en genrecontext |
Deze signalen voeden BaRT, dat dan beslist hoe ze te wegen voor elke individuele gebruiker.
Wat dit betekent voor artiesten
BaRT is geen gatekeeper waarnaar je kunt pitchen. Het is een voorspellingsengine die leert van luistergedrag.
Hoge saves en lage skips leren BaRT dat je muziek de luisteraars tevreden stelt aan wie het werd getoond. Dit verhoogt de waarschijnlijkheid van toekomstige aanbevelingen.
Hoge skips en lage saves leren BaRT dat de aanbeveling een mismatch was. Het systeem wordt minder geneigd je track aan vergelijkbare luisteraars te tonen.
De enige manier om BaRT te beïnvloeden is positieve signalen sturen via echte luisteraarsengagement. Dit betekent optimaliseren voor save rate, voltooiingspercentage en herhaalde luisteringen in plaats van rauwe streamaantallen.
Hoe verhoudt BaRT zich tot Spotify's andere systemen?
BaRT handelt specifiek het Home-scherm en gepersonaliseerde plankaanbevelingen af. Andere algoritmische oppervlakken hebben hun eigen logica:
- Discover Weekly ververst elke maandag met collaborative filtering
- Release Radar updatet elke vrijdag en prioriteert gevolgde artiesten
- Radio en Autoplay gebruiken audiovergelijkbaarheid en sessie-vervolgsignalen
Deze systemen delen data maar opereren onafhankelijk. Een track die goed presteert in BaRT's Home-aanbevelingen kan ook opgepikt worden door Radio, maar er is geen gegarandeerde crossover.
Welk onderzoek zit achter BaRT?
Het fundamentele onderzoek werd gepubliceerd door Spotify-engineers in 2018 onder de titel "Explore, Exploit, Explain: Personalizing Explainable Recommendations with Bandits." Het paper beschrijft hoe BaRT leert gebruikerssatisfactie te voorspellen voor elke combinatie van item, uitleg en context.
Sindsdien heeft Spotify de aanpak blijven verfijnen. Een 2025-onderzoekspaper beschrijft het gebruik van contextuele bandits om contenttypes (muziek, podcasts, audioboeken) binnen aanbevelingslijsten te kalibreren, zich aanpassend aan gebruikers' evoluerende voorkeuren in realtime.