Personalized Autoplay 2.0: Feedback-Lernen, intelligente Übersprungung und bessere Kontinuität

Personalized Autoplay 2.0 ist online

Wir haben gerade ein großes Update für Personalized Autoplay veröffentlicht. Dieses Release konzentriert sich auf ein Kernziel: Empfehlungen sollen schneller an jeden Hörer angepasst werden, während die Wiedergabe stabil und unterbrechungsfrei bleibt.

Was hat sich geändert

1) Übersprung beeinflusst jetzt das Empfehlungsgewicht

Wenn ein Benutzer einen Personalized-Track überspringt, zeichnet Beatra dies als negales Signal für die Empfehlungsbewertung auf. Ähnliche Künstler und benachbarte Kandidaten werden im Laufe der Zeit herabgewichtet.

Dies verbessert sofort zwei Dinge:

• Weniger wiederholte Fehlentscheidungen aus dem gleichen Empfehlungscluster
• Schnellere Konvergenz zum echten Geschmack des Hörers

2) Neue Like- und Dislike-Feedback-Schaltflächen für Kaltstart-Benutzer

Wenn Beatra erkennt, dass es den Hörer noch nicht gut genug kennt, zeigt es jetzt zwei Feedback-Schaltflächen direkt auf Personalized-Tracks:

• Like
• Dislike

Verhalten:

• Like: erhöht das Empfehlungsgewicht für ähnliche Künstler und Kandidaten
• Dislike: überspringt den Track sofort und wendet eine stärkere negative Gewichtung an

Dies löst das Kaltstart-Problem viel schneller als nur passives Hören.

3) Personalized Autoplay verwendet jetzt eine Rolling Queue

Autoplay verlässt sich nicht mehr auf das Abrufen einzelner Tracks. Es verwaltet jetzt ein Rolling-Queue-Modell:

• Zielgröße der Queue: 5 Tracks
• Queue wird proaktiv aufgefüllt, wenn sie sich leert
• Empfehlungslogik wird während der Wiedergabe kontinuierlich ausgelöst

Ergebnis: Übersprung bleibt reaktionsschnell und der nächste Kandidat ist immer bereit.

4) Bessere Kontinuität für Autoplay und 24/7-Modus

Wir haben das Kontinuitätsverhalten für Wiederverbindungs- und Neustartszenarien verbessert:

• Wiedergabezustand wird beibehalten
• Aktueller Track und Queue werden wenn möglich wiederhergestellt
• Autoplay- und 24/7-Modus-Einstellungen werden beibehalten

Dies ermöglicht eine viel normalere Wiedergabestil-Wiederherstellung nach vorübergehenden Fehlern.

5) Empfehlungs-Engine verwendet jetzt explizite Feedback-Bewertung

Die Empfehlungsrangfolge basiert nicht mehr nur auf Hördauer und Affinität. Sie verwendet jetzt auch explizite Benutzerfeedback-Signale:

• Like erhöht die Bewertung
• Dislike und Übersprung reduzieren die Bewertung
• Gewichtung auf Künstlerebene wird dynamisch aktualisiert

Kurz gesagt, die Engine lernt jetzt sowohl von dem, was Sie abspielen als auch von dem, was Sie ablehnen.

---

Personalized Autoplay wird sich weiter verbessern, wenn mehr Feedback eintrifft. Wenn Sie die neuen Schaltflächen nutzen, sollte sich die Empfehlungsqualität in Ihren ersten Sitzungen merklich schneller verbessern.