Hur BaRT organiserar hemskärmen
Spotifys hemskärm är strukturerad som rader av spellistor kallade "hyllor" (som "Made for You" eller "Inspired by your recent listening"), med individuella spellistor inuti dessa hyllor kallade "kort".
BaRT har två jobb:
- Ranka korten inom varje hylla - avgöra vilka spellistor som dyker upp först
- Ranka hyllorna själva - avgöra vilka rader av innehåll som dyker upp högst på din skärm
Denna rankning är personaliserad i realtid baserat på din lyssningshistorik, tid på dagen och hur du har svarat på tidigare rekommendationer.
Hur balanserar BaRT exploration vs exploitation?
BaRT balanserar konstant två lägen:
Exploitation-läge rekommenderar innehåll systemet är säkert på att du kommer gilla. Det drar på din lyssningshistorik, sparade låtar, skippade spår och spellistaktivitet för att förutsäga vad som kommer hålla dig streamande.
Exploration-läge rekommenderar innehåll systemet är osäkert på. Detta tjänar två syften: det hjälper Spotify lära sig mer om dina preferenser, och det introducerar dig för musik du kanske inte hittat annars.
Balansen mellan dessa lägen hanteras av en "epsilon-greedy"-strategi. För det mesta exploaterar BaRT vad den vet om dig. Ibland utforskar den för att samla ny information.
För nya användare med lite lyssningshistorik lutar BaRT tyngre på exploration. För långtidsanvändare med etablerade preferenser lutar den mer mot exploitation.
Vad är 30-sekunders framgångssignalen?
BaRT mäter sin egen prestation med en enkel tröskel: om en lyssnare streamar ett rekommenderat spår i mer än 30 sekunder räknas rekommendationen som framgångsrik.
Ju längre någon lyssnar på en rekommenderad spellista eller radiosession, desto mer förtroende får BaRT i sina förutsägelser för den användaren. Detta är varför tidiga skips skadar din algoritmiska räckvidd - de lär BaRT att rekommendationen misslyckades.
Vad är de tre datakällorna BaRT använder?
BaRT arbetar inte ensam. Den drar på tre huvuddatarör:
| Datakälla | Vad den fångar | Hur den hjälper |
|---|---|---|
| Kollaborativ filtrering | Mönster i vad liknande lyssnare gillar | "Fans av Artist X gillar också Artist Y" |
| Ljudanalys | Tempo, tonart, energi, klangfärg | Hittar ljudmässigt liknande spår för Radio |
| Naturlig språkbearbetning | Låttexter, spellistitlar, bloggomnämnanden | Förstår stämning och genrekontext |
Dessa signaler matas in i BaRT, som sedan avgör hur de ska viktas för varje enskild användare.
Vad detta betyder för artister
BaRT är inte en grindvakt du kan pitcha. Det är en förutsägelsemotor som lär sig från lyssnarbeteende.
Höga saves och låga skips lär BaRT att din musik tillfredsställer lyssnarna den visades för. Detta ökar sannolikheten för framtida rekommendationer.
Höga skips och låga saves lär BaRT att rekommendationen var en mismatch. Systemet blir mindre benäget att visa ditt spår för liknande lyssnare.
Det enda sättet att påverka BaRT är att skicka den positiva signaler genom genuint lyssnarengagemang. Detta betyder att optimera för save rate, completion rate och upprepade lyssningar snarare än råa streamantal.
Hur jämför sig BaRT med Spotifys andra system?
BaRT hanterar specifikt hemskärmen och personaliserade hyllrekommendationer. Andra algoritmiska ytor har sin egen logik:
- Discover Weekly uppdateras varje måndag med kollaborativ filtrering
- Release Radar uppdateras varje fredag och prioriterar följda artister
- Radio och Autoplay använder ljudlikhet och sessionsfortsättningssignaler
Dessa system delar data, men de opererar oberoende. Ett spår som presterar bra i BaRT:s hemrekommendationer kan också plockas upp av Radio, men det finns ingen garanterad övergång.
Vad är forskningen bakom BaRT?
Den grundläggande forskningen publicerades av Spotify-ingenjörer 2018 under titeln "Explore, Exploit, Explain: Personalizing Explainable Recommendations with Bandits." Artikeln beskriver hur BaRT lär sig förutsäga användartillfredsställelse för varje kombination av objekt, förklaring och kontext.
Sedan dess har Spotify fortsatt förfina tillvägagångssättet. En 2025-forskningsartikel beskriver användning av kontextuella banditer för att kalibrera innehållstyper (musik, podcasts, ljudböcker) inom rekommendationslistor, och anpassa till användares utvecklande preferenser i realtid.