الگوریتم فیس بوک چگونه محتوای خبرخوان را رتبه بندی می کند

فیس بوک مقاله ای منتشر کرد که نحوه کار الگوریتم Feed News Facebook را توضیح می دهد. در مقایسه با حق ثبت اختراع الگوریتم فید فیس بوک ، هر دو اسناد درباره چگونگی رتبه بندی پست های فیس بوک در خبرخوان توضیح زیادی می دهند.

یادگیری و رتبه بندی ماشین

الگوریتم خبرمایه فیس بوک یک سیستم رتبه بندی یادگیری ماشین است. هر چند فقط یک الگوریتم نیست. این ترکیبی از الگوریتم های متعدد است که در مراحل مختلف با هم کار می کنند.

بخشهایی از الگوریتم کارهای مختلفی را انجام می دهد ، مانند انتخاب پست های “نامزد” برای نمایش در خبرخوان فرد ، حذف پست ها با اطلاعات غلط یا کلیک کلیک ، ایجاد لیستی از دوستان که شخص با آنها ارتباط برقرار می کند ، موضوعاتی که شخص تمایل به تعامل با آنها دارد و سپس استفاده از آنها همه این عوامل برای رتبه بندی (یا رتبه بندی نکردن) پست ها در یک خبر خبری فیس بوک است.

همه این لایه های مختلف برای پیش بینی آنچه که یکی از اعضای فیس بوک قصد دارد مربوط به آنها را پیدا کند ، اعمال می شود.

هدف این الگوریتم ها این است که کدام پست ها در خبرخوان نمایش داده شوند ، ترتیب آنها و انتخاب پست هایی که یکی از اعضای فیس بوک احتمالاً علاقه مند است و با آنها تعامل دارد.

فقط چند سیگنال نیستند که در نظر گرفته می شوند. فیس بوک اظهار داشت که آنها از هزاران سیگنال استفاده می کنند.

طبق فیس بوک:

“برای هر شخص در فیس بوک ، هزاران سیگنال وجود دارد که ما باید ارزیابی کنیم تا مشخص کنیم که چه کسی ممکن است بیشترین ارتباط را پیدا کند … برای پیش بینی آنچه که هر یک از این افراد می خواهند در خوراک خود ببینند …”

سیگنال های رتبه بندی خبرخوان فیس بوک

ویژگی های یک پست فیس بوک

یکی از سیگنال های رتبه بندی که فیس بوک در مورد آن بحث می کند “مشخصات”از یک پست.

فیس بوک از ویژگی یا کیفیت پست استفاده می کند و تعیین می کند آیا این نوع موضوعی است که کاربر تمایل به تعامل بیشتر با آن دارد.

به عنوان مثال ، اگر یک پست با یک تصویر رنگارنگ همراه باشد و یک عضو سابقه تعامل با پست با تصاویر رنگارنگ را داشته باشد ، در این صورت رتبه بالاتر قرار می گیرد.

اگر یک پست با یک ویدیو همراه باشد و این همان چیزی است که یک عضو فیس بوک دوست دارد با آن تعامل کند ، در آن صورت رتبه بالاتری برای آن عضو قرار می گیرد.

این که آیا پست دارای تصویر ، ویدئو است ، اگر دوستان یک کاربر در پست برچسب گذاری شوند ، از آن مشخصات و سایر مشخصات یک پست به عنوان عوامل رتبه بندی برای تعیین اینکه آیا پست به کاربر نشان داده می شود و میزان آن استفاده می شود. قرار است در خبرخوان رتبه بندی شود.

فیس بوک از مثال یک کاربر خیالی به نام خوان (نام اسپانیایی “جان”) برای نشان دادن فاکتورهای رتبه بندی استفاده کرد.

این همان چیزی است که فیس بوک در مورد فاکتور رتبه بندی ویژگی ها گفته است:

“ما می توانیم از ویژگی های یک پست استفاده کنیم ، از جمله افرادی که در یک عکس برچسب گذاری شده اند و زمان ارسال آن ها ، برای پیش بینی اینکه خوآن آن را دوست دارد ، پیش بینی کنیم.

به عنوان مثال ، اگر خوان تمایل داشته باشد که اغلب با پست های Saanvi (مثلاً اشتراک گذاری یا نظر دادن) تعامل داشته باشد و ویدیوی در حال اجرا او بسیار جدید باشد ، احتمال اینکه پست وی را دوست داشته باشد زیاد است.

اگر خوان در گذشته بیش از عکس ها با محتوای ویدئویی درگیر شده باشد ، پیش بینی مشابه عکس Wei از کوکر اسپانیل او ممکن است نسبتاً کم باشد.

در این حالت ، الگوریتم رتبه بندی ما فیلم در حال اجرا Saanvi را بالاتر از عکس سگ Wei قرار می دهد زیرا احتمال بیشتری دارد که خوان آن را دوست داشته باشد. “

Time یک فاکتور رتبه بندی در فیس بوک است

مثال فیس بوک که در بالا به آن اشاره شد همچنین نشان می دهد که چگونه می توان از زمان ، به شکل اینکه اخیراً چیزی ارسال شده است ، به عنوان عامل رتبه بندی نیز استفاده کرد.

آنچه در مورد مثال “خوان” خیالی جالب است این است که فیس بوک اشاره کرده است که هنگام ارسال یک پست ، یک عامل رتبه بندی است.

“ما می توانیم از ویژگی های یک پست استفاده کنیم ، از جمله افرادی که در یک عکس برچسب گذاری شده اند و زمان ارسال آن ها ، برای پیش بینی اینکه خوآن آن را دوست دارد ، پیش بینی کنیم.”

آن جنبه از زمان به عنوان یک عامل رتبه بندی همزمان با حق ثبت اختراع نسبتاً اخیر فیس بوک است که می گوید چگونه اخیراً چیزی ارسال شده است می تواند به عنوان یک عامل رتبه بندی استفاده شود.

حق ثبت اختراع اخبار فیس بوک ، انتخاب و ارائه داستانهای خبری شناسایی محتوای خارجی برای کاربران سیستم شبکه های اجتماعی است.

این چیزی است که حق ثبت اختراع اخبار فیس بوک می گوید:

“… اخبار ممکن است براساس داده های زمانی مربوط به تعاملات با اخبار رتبه بندی شوند ، به طوری که اخبار اخیراً به اشتراک گذاشته شده دارای رتبه بالاتری هستند.”

به نظر می رسد که این ارزش در ارسال همان پست بیش از یک بار در طول یک روز را تأیید می کند. این ممکن است در طول دوره های زمانی به افراد مختلف برسد و کسانی که با این پست ارتباط برقرار می کنند ممکن است به نشان دادن آن به دوستانشان و غیره کمک کنند.

نامزدی و علاقه

عامل رتبه بندی دیگر شامل پیش بینی اینکه آیا کاربر به پست علاقه مند است یا با آن درگیر می شود یا خیر. فیس بوک از تعدادی سیگنال برای انجام این پیش بینی استفاده می کند.

مقاله در این مورد روشن است:

“… سیستم با پیش بینی اینکه به احتمال زیاد به چه چیزی علاقه دارید یا با آن درگیر می شوید ، تعیین می کند کدام پست ها در News Feed شما نشان داده می شوند و به چه ترتیب.”

و برخی از عواملی که فیس بوک استفاده می کند سیگنال های ارسال شده در گذشته و افرادی است که کاربر با آنها ارتباط برقرار کرده است. فیس بوک از این تعاملات گذشته برای کمک به پیش بینی اینکه کاربر در آینده با چه تعاملی ارتباط برقرار می کند کمک می کند.

طبق فیس بوک:

“این پیش بینی ها براساس عوامل مختلفی انجام می شود ، از جمله اینکه اخیراً چه کسانی و چه کسانی را دنبال کرده اید ، دوست داشته اید یا با آنها درگیر شده اید.”

فیس بوک از مدل های یادگیری ماشینی برای پیش بینی هر یک از موارد مختلف استفاده می کند. مدلی وجود دارد که پیش بینی می کند کاربر چه محتوایی را دوست دارد ، مدل دیگری پیش بینی می کند کاربر در مورد کدام پست نظر خواهد داد.

هر یک از این اشکال نامزدی نمره رتبه بندی دریافت می کنند و متعاقباً رتبه بندی می شوند.

به طور خلاصه ، روند رتبه بندی با شناسایی پست های نامزد برای رتبه بندی ، از مجموعه پست هایی که از زمان آخرین ورود کاربر ایجاد شده است ، آغاز می شود.

مرحله بعدی اختصاص امتیازات رتبه بندی به هر پست است.

این است که چگونه فیس بوک آن را با استفاده از نمونه ای از یک کاربر خیالی به نام خوان توضیح می دهد:

“در مرحله بعد ، سیستم برای عوامل مختلف از جمله نوع پست ، شباهت به سایر موارد و اینکه پست با آنچه خوان تمایل به تعامل دارد ، باید هر پست را نمره گذاری کند.

برای محاسبه این مورد برای بیش از 1000 پست ، برای هر یک از میلیاردها کاربر – همه در زمان واقعی – ما این مدل ها را برای همه داستان های نامزد به طور موازی بر روی چندین ماشین اجرا می کنیم ، که پیش بینی ها نامیده می شوند. “

سیگنال های رتبه بندی به کاربر شخصی می شوند

بینش جالب در مورد عوامل رتبه بندی این است که وزن آنها از یک کاربر به کاربر دیگر متفاوت است. معنای وزنی برای زمانی که یک سیگنال رتبه بندی از سیگنال رتبه بندی دیگری مهمتر است.

آنچه فیس بوک فاش کرد این است که برای یک شخص ، پیش بینی اینکه آنها پست را “دوست دارند” می تواند تأثیر بیشتری در رتبه بندی آن پست داشته باشد.

برای کاربر دیگری ، پیش بینی اینکه کاربر در مورد یک نظر نظر خواهد داد ، دارای یک رتبه بندی قوی تر است.

فیس بوک به اشتراک گذاشته است:

“بعدی پاس اصلی امتیازدهی است ، جایی که بیشتر شخصی سازی ها اتفاق می افتد.

در اینجا ، یک امتیاز برای هر داستان به طور مستقل محاسبه می شود ، و سپس تمام 500 پست به ترتیب امتیاز قرار می گیرند.

برای بعضی ها ممکن است امتیاز برای لایک بیشتر از نظر دادن باشد ، زیرا بعضی از افراد دوست دارند بیشتر از طریق لایک اظهار نظر کنند تا اینکه نظر بدهند.

هر عملی که شخص به ندرت انجام می دهد (به عنوان مثال ، پیش بینی مشابه آن که بسیار نزدیک به صفر است) به طور خودکار نقش کمتری در رتبه بندی دارد ، زیرا مقدار پیش بینی شده بسیار کم است. “

معنای آن این است که برای موفقیت یک پست ، پست باید اشکال مختلف تعامل را از هر کاربر القا کند.

ویژگی های زمینه ای برای تنوع اخبار

آخرین مرحله در روند رتبه بندی اطمینان از تنوع نوع محتوایی است که در خبرخوان نشان داده می شود. به این ترتیب خوراک کاربر تکراری نمی شود.

چندین فاکتور شخصی سازی رتبه بندی در فیس بوک

فیس بوک هر فاکتور رتبه بندی را که برای رتبه بندی پست ها در یک خبر خبری استفاده شده است ، ذکر نکرد. اما آنها ایده ، مروری کلی درباره چگونگی فرآیند رتبه بندی و اولویت بندی انواع رفتارها را ارائه دادند. ما همچنین یاد گرفتیم که سیگنال های رتبه بندی پویا هستند و بسته به شخص می توانند وزن آنها را متفاوت تغییر دهند.

استناد

خبرخوان چگونه آنچه را که می خواهید مشاهده کنید پیش بینی می کند؟

چگونه یادگیری ماشینی الگوریتم رتبه بندی اخبار فیس بوک را تقویت می کند

انتخاب و ارائه داستان های خبری شناسایی محتوای خارجی برای کاربران سیستم شبکه های اجتماعی (PDF)

قطبیت احساس برای کاربران یک سیستم شبکه اجتماعی (PDF)

رتبه بندی مجدد محتوای داستان (PDF)

حل اشخاص موجود از منابع چندگانه برای سیستم های دستیار (PDF)