Tillbaka till blogg
19 mars 20262 min läsning57 läsningar
Personalized Autoplay 2.0: Feedback-Learning, Smart Skip, och Better Continuity
Personalized Autoplay lär sig nu från skip-, Like- och Dislike-feedback, upprätthåller en rullande kö med 5 låtar och förbättrar kontinuiteten vid återanslutning och omstart.
Personalized Autoplay 2.0 är Live
Vi har precis lanserat en större uppgradering av Personalized Autoplay. Den här utgåvan fokuserar på ett centralt mål: få rekommendationer att anpassa sig snabbare till varje lyssnare, samtidigt som uppspelningen förblir stabil och oavbruten.
Vad ändrades
1) Skip påverkar nu rekommendationsvikt
När en användare hoppar över en Personalized-låt registrerar Beatra det som en negativ signal för rekommendationspoäng. Liknande artister och angränsande kandidater får lägre vikt över tid.
Detta förbättrar två saker omedelbar:
- Färre upprepade missar från samma rekommendationskluster
- Snabbare konvergens mot lyssnares faktiska smak
2) Nya Like och Dislike feedbackknappar för cold-start-användare
Om Beatra upptäcker att det inte känner lyssnaren tillräckligt väl än, visar det nu två feedbackknappar direkt på Personalized-låtar:
- Like
- Dislike
Beteende:
- Like: ökar rekommendationsvikten för liknande artister och kandidater
- Dislike: hoppar omedelbar över låten och tillämpar en starkare negativ vikt
Detta löser cold-start mycket snabbare än endast passiv lyssning.
3) Personalized autoplay använder nu en rullande kö
Autoplay förlitar sig inte längre på enkel-låt fetch-beteende. Det upprätthåller nu en rullande kömodell:
- Målkö-storlek: 5 låtar
- Kön fylls på proaktivt när den minskar
- Rekommendationslogik utlöses kontinuerligt under uppspelning
Resultat: hoppa förblir responsiv och nästa kandidat är alltid redo.
4) Bättre kontinuitet för autoplay och 24/7-läge
Vi förbättrade kontinuitetsbeteendet för återanslutnings- och omstartsscenarier:
- Uppspelningsläge sparas
- Aktuell låt och kö återställs när möjligt
- Autoplay och 24/7-lägesinställningar bevaras
Detta ger mycket mer normal uppspelningsåterställning efter övergående fel.
5) Rekommendationsmotorn använder nu explicit feedbackpoäng
Rekommendationsrankning baseras inte längre enbart på lyssningsvaraktighet och affinitet. Den använder nu även explicita användarfeedback-signaler:
- Like ökar poängen
- Dislike och hoppa minskar poängen
- Artisetnivå-vikt uppdateras dynamisk
Kort sagt lär sig motorn nu från både vad du spelar och vad du förkastas.
Personalized Autoplay kommer att fortsätta förbättras när mer feedback anländer. Om du använder de nya knapparna bör rekommendationskvaliteten förbättras märkbar snabbare i dina första sessioner.