Hvordan BaRT organiserer Home-skjermen
Spotifys Home-skjerm er strukturert som rader av spillelister kalt «shelves» (som «Made for You» eller «Inspired by your recent listening»), med individuelle spillelister inne i de hyllene kalt «cards.»
BaRT har to jobber:
- Ranger kortene innen hver hylle — bestemme hvilke spillelister som dukker opp først
- Ranger hyllene selv — bestemme hvilke rader av innhold som dukker opp øverst på skjermen din
Denne rangeringen er personalisert i sanntid basert på din lyttingshistorie, tid på dagen, og hvordan du har respondert på tidligere anbefalinger.
Hvordan balanserer BaRT exploration vs. exploitation?
BaRT balanserer konstant to moduser:
Exploitation-modus anbefaler innhold systemet er trygt på at du vil like. Det trekker på din lyttingshistorie, lagrede sanger, skippede låter og spillelisteaktivitet for å forutsi hva som vil holde deg strømmende.
Exploration-modus anbefaler innhold systemet er usikkert på. Dette tjener to formål: det hjelper Spotify å lære mer om dine preferanser, og det introduserer deg til musikk du kanskje ikke hadde funnet ellers.
Balanssen mellom disse modusene styres av en «epsilon-greedy»-strategi. Mesteparten av tiden exploiterer BaRT hva den vet om deg. Av og til explorer den for å samle ny informasjon.
For nye brukere med lite lyttingshistorie lener BaRT mer på exploration. For langtidsbrukere med etablerte preferanser lener den mer mot exploitation.
Hva er 30-sekunders-suksesssignalet?
BaRT måler sin egen ytelse ved bruk av en enkel terskel: hvis en lytter strømmer en anbefalt låt i mer enn 30 sekunder, telles anbefalingen som suksessfull.
Jo lenger noen lytter til en anbefalt spilleliste eller radioøkt, jo mer tillit får BaRT i sine prediksjoner for den brukeren. Dette er hvorfor tidlige skips skader din algoritmiske rekkevidde — de lærer BaRT at anbefalingen feilet.
Hva er de tre datakildene BaRT bruker?
BaRT jobber ikke alene. Den trekker på tre hoveddatapipelines:
| Datakilde | Hva den fanger | Hvordan den hjelper |
|---|---|---|
| Kollaborativ filtrering | Mønstre i hva lignende lyttere liker | «Fans av Artist X liker også Artist Y» |
| Lydanalyse | Tempo, toneart, energi, timbre | Finner sonisk lignende låter for Radio |
| Naturlig språkprosessering | Tekster, spillelistetitler, blogg-omtaler | Forstår stemnings- og sjangerkontekst |
Disse signalene mates inn i BaRT, som deretter bestemmer hvordan de skal veies for hver individuelle bruker.
Hva dette betyr for artister
BaRT er ikke en gatekeeper du kan pitche til. Det er en prediksjonsmotor som lærer fra lytteratferd.
Høye lagringer og lave skips lærer BaRT at musikken din tilfredsstiller lytterne den ble vist til. Dette øker sannsynligheten for fremtidige anbefalinger.
Høye skips og lave lagringer lærer BaRT at anbefalingen var en mismatch. Systemet blir mindre sannsynlig å vise låten din til lignende lyttere.
Den eneste måten å påvirke BaRT er å sende den positive signaler gjennom ekte lytterengasjement. Dette betyr å optimalisere for lagringsrate, fullføringsrate og gjenta-lyttinger i stedet for rå strømmetall.
Hvordan sammenligner BaRT med Spotifys andre systemer?
BaRT håndterer spesifikt Home-skjermen og personaliserte hylle-anbefalinger. Andre algoritmiske flater har sin egen logikk:
- Discover Weekly oppdateres hver mandag ved bruk av kollaborativ filtrering
- Release Radar oppdateres hver fredag og prioriterer fulgte artister
- Radio og Autoplay bruker lydlikhet og sesjons-fortsettelsessignaler
Disse systemene deler data, men de opererer uavhengig. En låt som presterer godt i BaRTs Home-anbefalinger kan også bli plukket opp av Radio, men det er ingen garantert crossover.
Hva forskning ligger bak BaRT?
Grunnleggende forskning ble publisert av Spotify-ingeniører i 2018 under tittelen «Explore, Exploit, Explain: Personalizing Explainable Recommendations with Bandits.» Paperet beskriver hvordan BaRT lærer å forutsi brukertilfredshet for enhver kombinasjon av item, forklaring og kontekst.
Siden da har Spotify fortsatt å raffinere tilnærmingen. Et 2025-forskningspaper beskriver bruk av kontekstuelle banditter for å kalibrere innholdstyper (musikk, podcaster, lydbøker) innen anbefalingslister, tilpasset brukeres utviklende preferanser i sanntid.