Spotify, sohbet tabanlı müzik öneri aracının olumlu sonuçlar verdiğini bildirdi

Spotify araştırmacıları, sohbet tabanlı bir öneri aracının çevrimiçi A/B testlerinde dinleme süresini ve haftalık aktif kullanıcı sayısını artırmaya yardımcı olduğunu söylüyor. Sistem, kullanıcıların yalnızca mevcut dinleme oturumlarında değişiklik istemesi yerine, örneğin “Daha önce dinlemediğim İtalyan indie sanatçıları” gibi isteklerini gündelik bir dille anlatmasına olanak tanıyor.

Sonuçlar, 28 Eylül 2026’da arXiv’de yayımlanan ve RecSys 2026 makalesi olarak listelenen bir çalışmada yer alıyor. Yazarlar, Spotify’ın önceki oturum iyileştirme deneyimine kıyasla kullanıcıların dinleme süresinin %14, haftalık aktif kullanıcı sayısının %5 arttığını, atlama oranının ise %5 düştüğünü bildiriyor.

Sistem nasıl geliştirildi?

Ekip, ürün kullanıma sunulmadan önce karşılaşılan bir zorluğa odaklandı: Öğrenebileceği gerçek kullanıcı sohbetleri henüz yokken, araca nasıl plan yapacağını, hangi araçları hangi sırayla kullanacağını öğretmek. Geliştirme hattı, tek turlu istemleri simüle edilmiş çok turlu sohbetlere dönüştürüyor; böylece ekip aracı önceden test edebiliyor.

Ardından, planlama ve araç kullanımındaki hataları bulup gidermek için otomatik bir iyileştirme döngüsü kullanılıyor. Yöntem, aracın farklı yanıtlarını karşılaştırıyor ve bir kodlama aracısının yardımıyla yinelemeli düzenlemeler yapıyor. Araştırmacılar, bunun zaten oldukça iyi optimize edilmiş bir manuel isteme kıyasla kaliteyi %8 artırdığını söylüyor. Ayrıca makalenin özetinde süreye ilişkin bir tahmin verilmese de bu sürecin geliştirme döngülerini kısalttığını belirtiyorlar.

Sonuçlar ne gösteriyor?

Bildirilen dinleme ve etkileşim rakamları, Spotify’ı kullanma biçimlerinin tamamıyla değil, belirli bir önceki deneyimle yapılan çevrimiçi testlerden geliyor. Makalenin özeti, testlere kaç kişinin katıldığını, testlerin ne kadar sürdüğünü ya da aracın tüm kullanıcılara açık olup olmadığını belirtmiyor.

Çalışma esas olarak bir geliştirme yöntemiyle ilgili: Aracı kullanıma sunmadan önce ve kullanıma sunulduktan sonra iyileştirmek için üretilmiş sohbetlerden ve otomatik düzenlemelerden yararlanmak. Bu yaklaşım, başlangıçta gerçek dünya etkileşim verileri az olan ekiplere doğal dille çalışan öneri araçlarını test etmede yardımcı olabilir.