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
这个比较实用,已转发给同事。
这篇文章分析得很透彻,收藏了!
实话,说的不明不白
楼主辛苦了,内容很有参考价值。
讲解得很细致,新手也能看懂。
这篇文章分析得很透彻,收藏了!
作者写得真不错,学到了不少。
写得挺用心的,支持一下。
实话,说的不明不白
收藏了,以后慢慢研究。
看完了,收获满满,期待更多更新。
实话,说的不明不白