Como o BaRT organiza a tela inicial
A tela inicial do Spotify é estruturada em linhas de playlists chamadas "prateleiras" (como "Made for You" ou "Inspired by your recent listening"), com playlists individuais dentro dessas prateleiras chamadas "cards".
O BaRT tem duas funções:
- Classificar os cards dentro de cada prateleira — decidir quais playlists aparecem primeiro
- Classificar as próprias prateleiras — decidir quais linhas de conteúdo aparecem no topo da tela
Essa classificação é personalizada em tempo real com base no seu histórico de escuta, na hora do dia e na forma como você respondeu a recomendações anteriores.
Como o BaRT equilibra exploration e exploitation?
O BaRT equilibra constantemente dois modos:
O modo de exploitation recomenda conteúdo que o sistema tem certeza de que você vai gostar. Ele usa seu histórico de escuta, músicas salvas, faixas puladas e atividade em playlists para prever o que fará você continuar ouvindo.
O modo de exploration recomenda conteúdo sobre o qual o sistema ainda não tem certeza. Isso cumpre dois objetivos: ajuda o Spotify a aprender mais sobre suas preferências e apresenta músicas que você talvez não encontrasse de outra forma.
O equilíbrio entre esses modos é gerenciado por uma estratégia "epsilon-greedy". Na maior parte do tempo, o BaRT aproveita o que sabe sobre você. Ocasionalmente, ele explora para coletar novas informações.
Para usuários novos com pouco histórico de escuta, o BaRT se inclina mais para a exploration. Para usuários antigos com preferências estabelecidas, ele se inclina mais para a exploitation.
Qual é o sinal de sucesso de 30 segundos?
O BaRT mede seu próprio desempenho usando um limite simples: se um ouvinte reproduz uma faixa recomendada por mais de 30 segundos, a recomendação é considerada bem-sucedida.
Quanto mais tempo alguém ouve uma playlist ou sessão de radio recomendada, mais confiança o BaRT ganha em suas previsões para aquele usuário. É por isso que skips iniciais prejudicam seu alcance algorítmico — eles ensinam ao BaRT que a recomendação falhou.
Quais são as três fontes de dados que o BaRT usa?
O BaRT não trabalha sozinho. Ele recorre a três pipelines principais de dados:
| Fonte de dados | O que captura | Como ajuda |
|---|---|---|
| Filtragem colaborativa | Padrões do que ouvintes semelhantes apreciam | "Fãs do Artista X também gostam do Artista Y" |
| Análise de áudio | Tempo, tom, energia, timbre | Encontra faixas sonoramente semelhantes para o Radio |
| Processamento de linguagem natural | Letras, títulos de playlists, menções em blogs | Entende o contexto de humor e gênero |
Esses sinais alimentam o BaRT, que então decide como ponderá-los para cada usuário.
O que isso significa para os artistas
O BaRT não é um gatekeeper para o qual você possa fazer pitch. É um mecanismo de previsão que aprende com o comportamento dos ouvintes.
Muitos saves e poucos skips ensinam ao BaRT que sua música satisfaz os ouvintes aos quais foi apresentada. Isso aumenta a probabilidade de recomendações futuras.
Muitos skips e poucos saves ensinam ao BaRT que a recomendação não combinou com o ouvinte. O sistema fica menos propenso a mostrar sua faixa a ouvintes semelhantes.
A única forma de influenciar o BaRT é enviar sinais positivos por meio de engajamento genuíno dos ouvintes. Isso significa otimizar a taxa de saves, a taxa de conclusão e as escutas repetidas, e não a quantidade bruta de streams.
Como o BaRT se compara a outros sistemas do Spotify?
O BaRT cuida especificamente da tela inicial e das recomendações personalizadas em prateleiras. Outras superfícies algorítmicas têm sua própria lógica:
- Discover Weekly é atualizado toda segunda-feira usando filtragem colaborativa
- Release Radar é atualizado toda sexta-feira e prioriza artistas seguidos
- Radio e Autoplay usam similaridade de áudio e sinais de continuidade de sessão
Esses sistemas compartilham dados, mas operam de forma independente. Uma faixa que tem bom desempenho nas recomendações da tela inicial do BaRT também pode ser escolhida pelo Radio, mas não existe uma migração garantida entre eles.
Que pesquisa existe por trás do BaRT?
A pesquisa fundamental foi publicada por engenheiros do Spotify em 2018 com o título "Explore, Exploit, Explain: Personalizing Explainable Recommendations with Bandits". O artigo descreve como o BaRT aprende a prever a satisfação do usuário para qualquer combinação de item, explicação e contexto.
Desde então, o Spotify continuou refinando a abordagem. Um artigo de pesquisa de 2025 descreve o uso de bandits contextuais para calibrar tipos de conteúdo (música, podcasts, audiolivros) dentro de listas de recomendação, adaptando-se às preferências em evolução dos usuários em tempo real.