# Spotify ترصد مكاسب من وكيل حواري لتوصية الموسيقى

> يشرح فريق بحثي في Spotify كيف استخدم محادثات محاكاة وتحسينًا آليًا للمطالبات لبناء وكيل موسيقي. ويقول الفريق إن النظام زاد الاستماع وعدد المستخدمين النشطين أسبوعيًا في اختبارات A/B، مقارنة بميزة تقتصر على تحسين جلسة استماع قائمة.

Oossa · 2026-09-29 · https://oossa.com/ar/spotify-reports-gains-from-a-conversational-music-recommendation-agent

يقول باحثون في Spotify إن وكيلًا حواريًا للتوصيات ساعد على زيادة مدة الاستماع وعدد المستخدمين النشطين أسبوعيًا في اختبارات A/B عبر الإنترنت. ويتيح النظام للمستخدمين وصف ما يرغبون فيه بلغة عادية، مثل «فنانون إيطاليون في موسيقى الإندي لم أسمع لهم من قبل»، بدلًا من الاكتفاء بطلب تعديلات على جلسة استماع جارية.

نُشرت النتائج في ورقة بحثية على arXiv في 28 سبتمبر 2026، وأُدرجت ضمن أوراق مؤتمر RecSys 2026. ويذكر المؤلفون أن النظام حقق زيادة في استماع المستخدمين بنسبة 14%، وارتفاعًا بنسبة 5% في عدد المستخدمين النشطين أسبوعيًا، وانخفاضًا بنسبة 5% في معدل تخطي المقاطع، مقارنة بتجربة Spotify السابقة لتحسين جلسات الاستماع.

## كيف بُني النظام

ركز الفريق على تحدٍّ يسبق إطلاق النظام: تعليم الوكيل كيفية التخطيط، بما في ذلك الأدوات التي يستخدمها والترتيب الذي يستخدمها به، في وقت لا تتوفر فيه بعد محادثات فعلية مع المستخدمين كي يتعلم منها. ويحوّل مسار العمل مطالبات من جولة واحدة إلى محادثات محاكاة متعددة الجولات، ليتمكن الفريق من اختبار الوكيل مسبقًا.

بعد ذلك، يستخدم الفريق حلقة تحسين آلية لاكتشاف الأخطاء في التخطيط واستخدام الأدوات ومعالجتها. وتقارن الطريقة بين استجابات مختلفة للوكيل، ثم تُجري تعديلات متتابعة بمساعدة وكيل برمجي. ويقول الباحثون إن ذلك رفع الجودة بنسبة 8% مقارنة بمطالبة يدوية محسّنة بدرجة كبيرة أصلًا. ويضيفون أن هذه العملية قصّرت دورات التطوير، لكن ملخص الورقة لا يحدد مقدار الوقت الذي وفّرته.

## ما الذي تظهره النتائج

تستند أرقام الاستماع والتفاعل الواردة إلى اختبارات عبر الإنترنت قارنت النظام بتجربة سابقة محددة، لا بكل الطرق التي يستخدم بها الناس Spotify. ولا يوضح ملخص الورقة عدد المشاركين، أو مدة الاختبارات، أو ما إذا كان الوكيل متاحًا لجميع المستخدمين.

يركز العمل أساسًا على منهجية التطوير: استخدام محادثات مولّدة ومراجعات آلية لتحسين الوكيل قبل الإطلاق وأثناءه. وقد يساعد هذا النهج الفرق على اختبار أدوات التوصية باللغة الطبيعية حتى عندما تكون لديها بيانات محدودة عن التفاعلات الواقعية في البداية.

## الحقائق

- نُشرت الورقة على arXiv في 28 سبتمبر 2026، وأُدرجت RecSys 2026 مرجعًا للمجلة.
- أنشأ الباحثون محادثات متعددة الجولات انطلاقًا من مطالبات من جولة واحدة لاختبار الوكيل قبل إطلاقه.
- يذكر الفريق أن الجودة تحسنت بنسبة 8% مقارنة بمطالبة يدوية محسّنة بدرجة كبيرة.
- في اختبارات A/B، أفاد الباحثون بزيادة الاستماع بنسبة 14%، وارتفاع عدد المستخدمين النشطين أسبوعيًا بنسبة 5%، وانخفاض معدل تخطي المقاطع بنسبة 5%، مقارنة بتجربة تحسين جلسات الاستماع السابقة.

## لماذا يهم

يهدف هذا النهج إلى تسهيل طلب الموسيقى على المستمعين باستخدام أوصاف تفصيلية من حياتهم اليومية. والنتائج المعلنة مشجعة، لكن الملخص لا يذكر حجم الاختبار أو مدته، ولا يثبت أن الوكيل متاح للجميع.

## المصادر والمراجع

1. [Bootstrapping Conversational Recommendation Agents At Spotify: Synthetic Data Generation and Self-Improvement Loops](https://arxiv.org/abs/2609.30297) – arXiv, 2026-09-28

آخر تحديث: 2026-09-29