你的算法:让人们有更多方式个性化 Facebook 推荐

AI小蝌蚪行业资讯📡 BestBlogs·全站精选⭐ 922026-11-121230 阅读💛 200 收藏
你的算法:让人们有更多方式个性化 Facebook 推荐

📌 One-Sentence Summary

你的算法是一套由 AI 驱动的工具,让 Facebook 推荐更加透明、可控,并通过一个可编辑的界面集中展示影响动态消息和 Reels 推荐的兴趣。

📝 Summary

传统上,Facebook 内容推荐系统会根据用户隐性的互动信号进行学习。虽然这种方式易于扩展,但系统调整较慢,也难以捕捉细微差异。如果人们能够直接与算法互动,影响内容的排序和推荐,就能即时让推荐更贴合个人喜好、更加个性化呢?

你的算法是一套端到端系统,旨在解决推荐系统在适应性和细致程度上的局限。这套由 AI 驱动的新工具让 Facebook 用户能够用自己的话说明想在动态消息和 Reels 中看到什么。我们让一组大语言模型(LLM)理解、存储并追踪用户明确表达的偏好,同时结合用户行为,从而打造出能够响应用户偏好、调整其所见内容的推荐系统。

💡 Main Points

你的算法系统架构概览

「你的算法」页面由三部分组成(见图 1):顶部是一句话的「近期摘要」,概述用户最近的浏览活动;下方有两个列表:「感兴趣」和「不感兴趣」。用户可以通过界面用自然语言添加兴趣、在两个列表间移动兴趣,或将其删除。每次更改都会即时应用于动态消息和 Reels,并会根据用户对单条帖子的反馈进一步更新。

将偏好转化为推荐

将用户明确表达的偏好转化为推荐,需要解决三个不同的问题。添加到「感兴趣」中的兴趣需要快速带来相关内容,同时不能挤掉其他所有内容。添加到「不感兴趣」中的兴趣则需要可靠生效,尽管话题的边界往往模糊,单一过滤器也无法覆盖所有匹配内容。此外,即使下一批推荐内容在偏好变更前就已缓存,这两类偏好也都需要即时生效。你的算法通过推荐流程各环节的专门逻辑来解决这些问题,涵盖内容检索、重新排序直至设备端(见图 3)。

贯穿偏好生命周期的 LLM:从用户画像到最终检查

在「你的算法」中,LLM 会在用户偏好的多个关键阶段发挥作用:首次访问时生成用户看到的初始画像;在每次更改时进行验证;并在最终推荐生成前,依据「不感兴趣」列表中的兴趣进行最后检查(见图 2)。每种用法都有自身限制,包括延迟、服务容量和安全性;要评估这些用法,也需要采用新的方法。

💬 Key Quotes

你的算法是一套端到端系统,旨在解决推荐系统在适应性和细致程度上的局限。这套由 AI 驱动的新工具让 Facebook 用户能够用自己的话说明想在动态消息和 Reels 中看到什么。

我们让一组大语言模型(LLM)理解、存储并追踪用户明确表达的偏好,同时结合用户行为,从而打造出能够响应用户偏好、调整其所见内容的推荐系统。

我们增加了两种内容投放机制来弥补这些不足。当用户将新兴趣添加到「感兴趣」时,系统会在常规内容获取周期之外额外发送一次获取请求,这称为补充式尾部加载,以获取新推荐内容,让匹配的内容尽快出现。当用户将兴趣添加到「不感兴趣」时,缓存失效机制会处理在更改前已完成排序的候选内容。

📊 Article Meta

AI Screening: 92

Featured: Yes

Source: Engineering at Meta

Author: Engineering at Meta

Category: 人工智能

Language: 英文

Read Time: 7 min

Word Count: 1647

Tags:

AI 与智能应用 , 系统设计 , 性能优化 , RAG / 检索增强 , AI Agent

#AI 与智能应用# 系统设计# 性能优化# RAG / 检索增强# AI Agent

文章评论(12)

星寻梦3 天前

这个比较实用,已转发给同事。

回复
空向阳3 天前

这篇文章分析得很透彻,收藏了!

回复
星寻梦3 天前

实话,说的不明不白

回复
雪影3 天前

楼主辛苦了,内容很有参考价值。

回复
风拾光3 天前

讲解得很细致,新手也能看懂。

回复
月沐雨3 天前

这篇文章分析得很透彻,收藏了!

回复
曹浩3 天前

作者写得真不错,学到了不少。

回复
龙文博3 天前

写得挺用心的,支持一下。

回复
星寻梦3 天前

实话,说的不明不白

回复
漾漾其华3 天前

收藏了,以后慢慢研究。

回复
雪知秋3 天前

看完了,收获满满,期待更多更新。

回复
蓝归舟3 天前

实话,说的不明不白

回复