Personalized Autoplay 2.0: Feedback-Learning, Smart Skip, and Better Continuity

Personalized Autoplay 2.0 È Live

Abbiamo appena rilasciato un major upgrade a Personalized Autoplay. Questo rilascio si concentra su un obiettivo principale: far adattare più velocemente i suggerimenti a ogni ascoltatore mantenendo la riproduzione stabile e ininterrotta.

Cosa è cambiato

1) Skip ora influenza il peso della raccomandazione

Quando un utente salta una traccia Personalized, Beatra registra questo come un segnale negativo nel punteggio di raccomandazione. Gli artisti simili e i candidati adiacenti sono penalizzati nel tempo.

Questo migliora immediatamente due aspetti:

• Meno ripetizioni fallite dallo stesso cluster di raccomandazione
• Convergenza più veloce verso il vero gusto dell'ascoltatore

2) Nuovi pulsanti Like e Dislike per utenti cold-start

Se Beatra rileva che non conosce ancora bene l'ascoltatore, mostra due pulsanti di feedback direttamente sulle tracce Personalized:

• Like
• Dislike

Comportamento:

• Like: aumenta il peso della raccomandazione per artisti simili e candidati
• Dislike: salta istantaneamente la traccia e applica un peso negativo più forte

Questo risolve il cold-start molto più velocemente del solo ascolto passivo.

3) Autoplay personalizzato ora usa una coda rolling

Autoplay non si affida più al comportamento di fetch single-track. Ora mantiene un modello di coda rolling:

• Dimensione coda target: 5 tracce
• La coda viene riempita proattivamente mentre si esaurisce
• La logica di raccomandazione si attiva continuamente durante la riproduzione

Risultato: skip rimane responsivo e il prossimo candidato è sempre pronto.

4) Migliore continuità per autoplay e modalità 24/7

Abbiamo migliorato il comportamento di continuità per scenari di riconnessione e riavvio:

• Lo stato di riproduzione è persistente
• La traccia corrente e la coda vengono ripristinate quando possibile
• Le impostazioni di Autoplay e modalità 24/7 sono preservate

Questo garantisce un recupero molto più naturale dopo errori transitori.

5) Il motore di raccomandazione ora usa punteggi di feedback espliciti

La classifica delle raccomandazioni non si basa più solo sulla durata di ascolto e affinità. Ora utilizza anche segnali di feedback utente espliciti:

• Like aumenta il punteggio
• Dislike e skip riducono il punteggio
• La ponderazione a livello di artista è aggiornata dinamicamente

In breve, il motore ora impara sia da quello che ascolti che da quello che rifiuti.

---

Personalized Autoplay continuerà a migliorare man mano che arrivano più feedback. Se usi i nuovi pulsanti, la qualità della raccomandazione dovrebbe migliorare notevolmente più velocemente nelle tue prime sessioni.