# اسپاتیفای از افزایش استفاده با دستیار مکالمه‌ای پیشنهاد موسیقی خبر داد

> تیمی پژوهشی در اسپاتیفای شرح می‌دهد که چگونه با استفاده از مکالمه‌های شبیه‌سازی‌شده و اصلاح خودکار پرامپت‌ها، یک دستیار موسیقی ساخته است. این تیم می‌گوید در آزمون‌های A/B، این سامانه در مقایسه با قابلیتی که فقط امکان اصلاح یک نشست شنیداری را فراهم می‌کرد، میزان گوش‌دادن و شمار کاربران فعال هفتگی را افزایش داد.

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

پژوهشگران اسپاتیفای می‌گویند یک دستیار پیشنهاددهنده مکالمه‌ای در آزمون‌های آنلاین A/B به افزایش میزان گوش‌دادن و شمار کاربران فعال هفتگی کمک کرده است. این سامانه به افراد امکان می‌دهد خواسته‌شان را با زبان معمولی بیان کنند—برای مثال، «هنرمندان ایندی ایتالیایی که تا حالا نشنیده‌ام»—به‌جای اینکه فقط بخواهند نشست شنیداری فعلی‌شان را تغییر دهند.

نتایج در مقاله‌ای منتشرشده در arXiv در ۲۸ سپتامبر ۲۰۲۶ آمده است؛ این مقاله به‌عنوان مقاله‌ای از RecSys 2026 نیز معرفی شده. نویسندگان می‌گویند این سامانه در مقایسه با تجربه قبلی اسپاتیفای برای اصلاح نشست شنیداری، میزان گوش‌دادن کاربران را ۱۴٪ افزایش داده، شمار کاربران فعال هفتگی را ۵٪ بالا برده و نرخ ردکردن آهنگ‌ها را ۵٪ کاهش داده است.

## سامانه چگونه ساخته شد

تیم روی چالشی تمرکز کرد که پیش از عرضه پیش می‌آید: آموزش برنامه‌ریزی به یک دستیار، از جمله اینکه از کدام ابزارها و به چه ترتیبی استفاده کند، آن هم زمانی که هنوز مکالمه‌های واقعی کاربران برای یادگیری در دسترس نیست. خط لوله این تیم، پرامپت‌های تک‌مرحله‌ای را به مکالمه‌های شبیه‌سازی‌شده چندمرحله‌ای تبدیل می‌کند تا بتوان دستیار را از پیش آزمایش کرد.

سپس این فرایند از یک چرخه بهبود خودکار برای یافتن و رفع خطاها در برنامه‌ریزی و استفاده از ابزارها بهره می‌گیرد. این روش پاسخ‌های مختلف دستیار را با هم مقایسه می‌کند و با کمک یک دستیار کدنویسی، اصلاحات پیاپی انجام می‌دهد. پژوهشگران می‌گویند این کار کیفیت را در مقایسه با پرامپت دستی‌ای که از قبل به‌شدت بهینه شده بود، ۸٪ افزایش داد. آنها همچنین می‌گویند این فرایند چرخه‌های توسعه را کوتاه‌تر کرد، هرچند چکیده مقاله برآوردی از زمان ارائه نمی‌دهد.

## نتایج چه چیزی را نشان می‌دهند

آمار گزارش‌شده درباره میزان گوش‌دادن و تعامل، از آزمون‌های آنلاین در مقایسه با تجربه مشخص و پیشین به دست آمده‌اند، نه از مقایسه با همه شیوه‌هایی که مردم از اسپاتیفای استفاده می‌کنند. در چکیده مقاله مشخص نشده چند نفر در آزمون‌ها شرکت کرده‌اند، این آزمون‌ها چه مدت طول کشیده‌اند یا اینکه دستیار در دسترس همه کاربران هست یا نه.

محور اصلی این پژوهش، روشی برای توسعه است: استفاده از مکالمه‌های تولیدشده و بازبینی‌های خودکار برای بهبود یک دستیار، پیش از عرضه و در جریان آن. این رویکرد می‌تواند به تیم‌ها کمک کند ابزارهای پیشنهاددهنده مبتنی بر زبان طبیعی را آزمایش کنند، حتی وقتی در آغاز داده‌های تعامل واقعی اندکی در اختیار دارند.

## حقایق

- این مقاله در ۲۸ سپتامبر ۲۰۲۶ در arXiv منتشر شده و RecSys 2026 را به‌عنوان مرجع نشریه‌ای خود ذکر می‌کند.
- پژوهشگران برای آزمایش دستیار پیش از عرضه، از پرامپت‌های تک‌مرحله‌ای مکالمه‌های چندمرحله‌ای تولید کردند.
- تیم از بهبود ۸درصدی کیفیت در مقایسه با یک پرامپت دستیِ به‌شدت بهینه‌شده خبر می‌دهد.
- پژوهشگران می‌گویند در آزمون‌های A/B، در مقایسه با تجربه قبلی اصلاح نشست شنیداری، میزان گوش‌دادن ۱۴٪ بیشتر، شمار کاربران فعال هفتگی ۵٪ بالاتر و نرخ ردکردن آهنگ‌ها ۵٪ کمتر بوده است.

## چرا مهم است

هدف این رویکرد برای شنوندگان این است که بتوانند با توصیف‌های دقیق و روزمره، راحت‌تر موسیقی موردنظرشان را درخواست کنند. افزایش‌های گزارش‌شده امیدوارکننده‌اند، اما چکیده مقاله اندازه یا مدت آزمون‌ها را مشخص نمی‌کند و نشان نمی‌دهد که دستیار در دسترس همه است.

## منابع و ارجاع‌ها

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

آخرین به‌روزرسانی: 2026-09-29