- Mes dalijamės, kaip „Meta“ taiko mašinų mokymąsi (ML) ir įvairovės algoritmus, kad pagerintų pranešimo kokybę ir vartotojo patirtį.
- Mes pristatėme įvairovės žinių pranešimų reitingą, kad sumažintume vienodumą ir pateiktume įvairesnį ir patrauklesnį pranešimų derinį.
- Ši nauja sistema sumažina pranešimų apimtį ir padidina įsitraukimo procentą, naudodamas įvairesnį informavimą.
Pranešimai yra viena galingiausių priemonių, leidžiančių sugrąžinti žmones į „Instagram“ ir sustiprinti įsitraukimą. Nesvarbu, ar tai draugas, mėgstantis jūsų nuotrauką, ar dar vienas artimas draugas, paskelbęs istoriją, ar siūlymas dėl ritės, kuriuo jums gali patikti, pranešimai padės paviršiaus akimirkoms, kurios yra svarbios realiuoju laiku.
„Instagram“ pasinaudoja mašinų mokymosi (ML) modeliais, kad nuspręstų, kas turėtų gauti pranešimą, kada jį siųsti ir kokį turinį įtraukti. Šie modeliai yra išmokyti optimizuoti teigiamą vartotojo įsitraukimą, pavyzdžiui, paspaudimų rodiklį (CTR)-vartotojo spustelėjimo tikimybę spustelėjus pranešimą-taip pat su kita kaip praleista metrika.
Vis dėlto, nors įsitraukimo optimizuoti modeliai yra veiksmingi skatinant sąveiką, yra rizika, kad jie gali pervertinti produktų tipus, o autoriai, su kuriais anksčiau įsitraukė. Tai gali sukelti per didelį ekspoziciją tiems pačiiems kūrėjams ar tų pačių produktų tipams, atsižvelgiant į kitą vertingą ir įvairią patirtį.
Tai reiškia, kad žmonės gali praleisti turinį, kuris suteiktų jiems labiau subalansuotą, patenkinamą ir praturtintą patirtį. Laikui bėgant, tai gali priversti pranešimus jaustis šlamšto ir padidinti tikimybę, kad žmonės juos visiškai išjungs.
Tikrasis iššūkis slypi tinkamos pusiausvyros ieškojimui: kaip mes galime įtraukti prasmingą įvairovę į pranešimo patirtį, neprarandant personalizacijos ir aktualumo, kurį žmonės tikėjosi „Instagram“?
Norėdami tai išspręsti, mes pristatėme įvairių pranešimų reitingo sistemą, kuri padeda pateikti įvairesnius, geriau kuruojamus ir mažiau pasikartojančius pranešimus. Ši sistema žymiai sumažino kasdienio pranešimo apimtį, tuo pačiu pagerindama CTR. Tai taip pat pristato keletą privalumų:
- Kiekvienos dimensijos pritaikymo pritaikytos minkštos baudos (žeminimo) logikos išplėtimas, leidžiantis labiau pritaikyti ir sudėtingesnes įvairovės strategijas.
- lankstumas Suderinimo žeminimo stiprumo tarp matmenų, tokių kaip turinys, autorius ir produkto tipas, naudojant reguliuojamus svorius.
- Personalizavimo ir įvairovės subalansavimo integracija, užtikrinant, kad pranešimai išliks tiek aktualūs, tiek įvairūs.
Pranešimų be įvairovės rizika
Pranešimų perdėto ekspozicijos klausimas dažnai rodomas dviem pagrindiniais būdais:
Per didelis to paties autoriaus ekspozicija: Žmonės gali gauti pranešimus, kurie dažniausiai yra apie tą patį draugą. Pvz., Jei kas nors dažnai sąveikauja su konkretaus draugo turiniu, sistema gali ir toliau pateikti pranešimus vien tik iš to asmens – ignoruodama kitus draugus, su kuriais jie taip pat užsiima. Tai gali jaustis pasikartojanti ir vienmatis, sumažindama bendrą pranešimų vertę.
Per didelis to paties produkto paviršiaus ekspozicija: Žmonės dažniausiai gali gauti pranešimus iš to paties produkto paviršiaus, pavyzdžiui, istorijas, net kai pašarai ar ritės gali suteikti vertę. Pvz., Kažkas gali būti suinteresuotas tiek ritės, tiek pasakojimo pranešimais, tačiau neseniai dažniau bendravo su istorijomis. Kadangi sistema labai teikia pirmenybę ankstesniam įsitraukimui, ji siunčia tik pranešimus apie istoriją, su vaizdu į platesnius asmens interesus.
Pristatome „Instagram“ įvairovės žinių pranešimų reitingo sistemą
„Instagram“ pranešimų apie įvairovę reitingavimo sistema yra skirta pagerinti pranešimo patirtį, suderinant numatomą vartotojo įsitraukimo į turinio įvairovės poreikį. Ši sistema pristato įvairovės sluoksnį ant esamų „Engagement ML“ modelių, taikydama daugybines baudas kandidatų balams, kuriuos sukuria šie modeliai, kaip parodyta 1 paveiksle, žemiau.
Įvairovės sluoksnis įvertina kiekvieno pranešimo kandidato panašumą į neseniai išsiųstus pranešimus įvairiais aspektais, tokiais kaip turinys, autorius, pranešimo tipas ir produkto paviršius. Tada jis kruopščiai kalibruotas nuobaudas – išreikštas daugialypiais žeminamaisiais veiksniais – kandidatams, kurie yra per daug panašūs ar pasikartojantys. Pakoreguoti balai naudojami kandidatams pakartotinai įvertinti, leidžiant sistemai pasirinkti pranešimus, kurie išlaiko didelį įsitraukimo potencialą, kartu įvedant prasmingą įvairovę. Galų gale kokybės juosta pasirenka aukščiausią reitingą kandidatą, kuris atitinka ir reitingo, ir įvairovės kriterijus.
Matematinė formuluotė
Įvairovės sluoksnyje kiekvieno kandidato baziniam aktualumo balui taikome daugybinį pažeminimo koeficientą. Atsižvelgiant į pranešimo kandidatą 𝑐, mes apskaičiuojame jo galutinį balą kaip jo bazinio reitingo balo ir įvairovės žemintojo daugiklį:
Kur R (c) atstovauja kandidato bazinio aktualumo balui ir D (c) ∈ (0,1) yra baudos veiksnys, kuris sumažina balą atsižvelgiant į panašumą su neseniai atsiųstais pranešimais. Mes apibrėžiame semantinių matmenų rinkinį (pvz., Autorius, produkto tipas), kuriuos norime skatinti įvairovę. Už kiekvieną dimensiją i, Mes apskaičiuojame panašumo signalą pi(C) tarp kandidato c ir istorinių pranešimų rinkinys Hnaudojant maksimalų ribinį aktualumo (MMR) metodą:
Kur SIMi(·, ·) yra iš anksto nustatyta dimensijos panašumo funkcija. Mūsų įgyvendinant pradinę padėtį, pi(C) yra dvejetainis: jis lygus 1, jei panašumas viršija slenkstį 𝜏i ir 0 kitaip.
Paskutinis žeminimo multiplikatorius yra apibrėžtas kaip:
kur kiekvienas wi ∈ (0,1) kontroliuoja jo atitinkamos dimensijos žeminimo stiprumą. Ši formuluotė užtikrina, kad kandidatai, panašūs į anksčiau pateiktus pranešimus, iš dalies vienos ar kelios dimensijos yra proporcingai svertiniai, sumažinantys atleidimą ir skatina turinio pokyčius. Naudojant daugialypę baudą, galima lanksčiai kontroliuoti įvairias dimensijas, kartu išsaugoti didelio santykio kandidatus.
Įvairovės ateities reitingo ateitis
Toliau tobulėjant savo pranešimų įvairovės, kuria suprantama, reitingo sistema, kitas žingsnis yra įvesti labiau adaptyvias, dinamiškas žeminimo strategijas. Užuot pasikliavę statinėmis taisyklėmis, planuojame, kad žeminimo jėga reaguoja į pranešimų apimtį ir pristatymo laiką. Pvz., Kaip vartotojas gauna daugiau pranešimų, ypač panašaus tipo ar greito paveldėjimo, sistema palaipsniui taiko stipresnes bausmes naujiems pranešimų kandidatams, veiksmingai sušvelnindama didžiulę patirtį, kurią sukelia didelis pranešimų tūris arba sandariai išdėstyti pristatymai.
Ilgainiui matome galimybę į įvairovės dujotiekį įtraukti didelius kalbos modelius (LLM). LLMS gali padėti mums peržengti paviršiaus lygio taisykles, suprasdami semantinį pranešimų panašumą ir perfrazuojant turinį įvairiais, patogesniais būdais. Tai leistų mums suasmeninti pranešimų patirtį su turtingesne kalba ir pagerinti aktualumą, išlaikant įvairovę įvairiose temose, tonuose ir laiką.
