大数跨境

“Facebook 算法如何对新闻源内容进行排名”

“Facebook 算法如何对新闻源内容进行排名” 搜索引擎报
2021-02-03
0
导读:Facebook 发布了一篇文章和专利,描述了其如何对新闻源帖子进行排名。

Facebook 近日发文详解其新闻源算法运作机制。结合相关专利文件可知,该平台通过复杂的机器学习系统对帖子进行多维度评估与排名,旨在精准预测并呈现用户最感兴趣的内容。

机器学习驱动的多层级排名体系

Facebook 新闻源并非依赖单一算法,而是由多个协同工作的机器学习模型组成的复合系统。该系统涵盖候选内容筛选、虚假信息过滤、互动关系分析等多个环节,核心目标是利用数千个信号因子,预测用户对内容的兴趣度,从而决定帖子的展示与否及排列顺序。

“对于每位用户,系统需评估数千个信号以确定最相关内容,进而预测其期望在信息流中看到的内容。”

核心排名信号解析

帖子特征与内容属性

帖子的具体特征是重要排序依据。系统会判断内容属性是否符合用户的互动偏好。例如,若用户历史数据显示其对色彩丰富的图片或视频互动频繁,具备此类特征的帖子将获得更高排名。此外,是否包含媒体素材、是否有好友被标记等细节均会影响最终展示权重。

“系统利用照片标记对象、发布时间等特征预测用户喜好。若用户常与某好友互动且该好友发布了新视频,推荐概率将显著提升;反之,若用户偏好视频多于图片,则纯图片帖子的预测分值会降低。”

时间因素与时效性

内容发布的时效性是另一关键变量。Facebook 专利《识别并呈现社交网络系统用户外部内容的新闻故事选择与展示》明确指出,新闻故事可根据时序数据排名,近期发布的内容通常享有更高优先级。这也意味着在一天内分时段发布内容,有助于触达不同活跃时段的受众。

“新闻故事可能根据互动相关的时序数据进行排名,因此最近分享的故事具有更高的排名。”

参与度预测与个性化评分

系统通过分析用户过往的关注、点赞及评论行为,构建预测模型来评估未来互动可能性。针对“喜欢”、“评论”等不同互动类型,系统设有独立模型进行打分。排名过程首先从候选池中筛选帖子,随后并行运行预测器为每篇帖子计算综合得分。

“系统根据帖子类型、相似性及用户互动倾向对内容进行评分。为实时处理数十亿用户的上千篇候选内容,我们在多台机器上并行运行预测模型。”

排名权重的动态个性化

排名信号的权重并非固定不变,而是高度个性化。系统会根据每位用户的行为习惯动态调整:对于倾向于点赞的用户,“点赞”预测值的权重更高;而对于极少点赞但爱评论的用户,评论行为的权重则更大。若某项互动预测值趋近于零,该信号在排名中的影响将自动降至最低。

“在主要评分阶段,每篇故事独立计算得分后排序。对某些人而言,点赞带来的得分高于评论;若某人很少参与某种行为,则该行为在排名中发挥的作用极小。”

内容多样性保障机制

排名流程的最后一步是引入多样性上下文特征。系统会对已排序的内容进行二次调整,确保新闻源中展示的内容类型丰富多元,避免同质化内容重复出现,从而优化用户的浏览体验。

总结

Facebook 新闻源排名是一个动态、多维且高度个性化的过程。虽然平台未公开所有具体因子,但其核心逻辑清晰:基于机器学习,综合考量内容特征、时效性、用户历史互动及行为偏好,并通过差异化权重分配与多样性调控,实现千人千面的精准内容分发。

引用来源

  • 新闻源如何预测你想看到的内容?
  • 机器学习如何驱动 Facebook 的新闻源排名算法
  • 为社交网络系统用户选择和展示新闻故事:识别外部内容(PDF)
  • 社交网络系统用户的情感极性(PDF)
  • 故事内容的重新排序(PDF)
  • 为助手系统从多个数据源解析实体(PDF)
【声明】内容源于网络
0
0
搜索引擎报
搜索引擎时报
内容 5299
粉丝 0
搜索引擎报 搜索引擎时报
总阅读3.7k
粉丝0
内容5.3k