Newshot 你的算法：为人们提供更多个性化 Facebook 推荐的方式
- 你的算法是一套由 AI 驱动的工具，使 Facebook 推荐更加透明和可调控，并通过一个可编辑的单一视图展示影响 Feed 和 Reels 的兴趣。
- 我们将分享你的算法如何将人们的自然语言偏好转化为响应式推荐，以及 LLM 如何针对系统内的特定任务进行定制。
传统上，Facebook 上人们所见内容背后的推荐系统是从隐式互动信号中学习的。虽然这使它们能够很好地扩展，但也意味着它们适应缓慢且捕捉到的细微差别很少。但如果人们能够直接与排序和推荐他们所见内容的算法互动，从而立即让推荐变得更加个性化和定制化呢？你的算法是一个端到端系统，解决了推荐中适应性和细微差别方面的局限性。这套新的 AI 驱动工具让 Facebook 上的用户用自己的话表明他们希望在 Feed 和 Reels 中看到什么。通过让一组大语言模型（LLM）理解、存储和追踪人们表达的偏好及其用户行为，我们创建了一个响应人们偏好并调整他们所看到内容的推荐系统。
你的算法系统架构概览
你的算法页面包含三个部分（图 1）：
- 顶部是一句话的“最近摘要”，描述近期的浏览活动。
- 下方是两个列表：“感兴趣”，预填从过去活动推断出的兴趣。“不感兴趣”，记录用户明确标记为不感兴趣、或在 Facebook 上点击 X 或隐藏的话题。
- “感兴趣”，预填从过去活动推断出的兴趣。
- “不感兴趣”，记录用户明确标记为不感兴趣、或在 Facebook 上点击 X 或隐藏的话题。
用户可以使用该界面添加兴趣（使用自然语言）、在列表之间移动它们或删除它们。每次更改都会响应式地应用于 Feed 和 Reels，并将随着用户对单条帖子的反馈而进一步更新。
你的算法系统包含多个组件，覆盖偏好的完整生命周期，从推断和验证到在排序和投放中应用（图 2）。
- 画像生成构建初始兴趣画像。
- 偏好管理验证每次更改，用排序所需的信号丰富它，并将其保存到 Feed 和 Reels 都会读取的单一存储中，确保页面上显示的偏好与排序中使用的偏好一致。
- 排序在整个漏斗中应用“感兴趣”和“不感兴趣”列表。
- 投放优化帮助每次更改更响应式地生效。
从偏好到推荐
将表达的偏好转化为推荐涉及三个不同的问题。添加到“感兴趣”的兴趣需要快速交付相关内容，而不挤占其他所有内容。添加到“不感兴趣”的兴趣需要可靠地保持，即使话题模糊且任何单一过滤器都会遗漏一些匹配。而且两者都需要响应式地生效，即使接下来的推荐在更改之前已被缓存。
你的算法通过推荐漏斗中各处的专用逻辑来解决每个问题，从检索到重排序再到设备端（图 3）。
感兴趣：在不淹没的情况下呈现新兴趣
Interested In 中的每个兴趣都会驱动四个专用检索源。其中两个直接查找匹配内容（通过搜索以及通过紧密相关主题的聚类），另外两个则通过内容图谱和条目间相似度来扩展覆盖范围。为每个兴趣显式检索，可确保为下游排序提供足够多的相关候选。
这一点很重要，因为如果没有它，关于一个全新兴趣的内容可能根本无法进入排序流水线。通过相关性检查的候选——该检查会比较兴趣的含义与每个候选——会在后期排序中获得提升，从而能与其他内容一同竞争。重排中的控制层随后决定它们出现的位置。
仅靠响应性并不是目标。我们的方法强调平衡而非数量：一个新兴趣应当出现，而不是占据主导。控制层会拉开同一兴趣推荐之间的间隔，并限制每个兴趣每天的贡献量。检索在每次请求中也只为一个兴趣获取候选，因此每个兴趣都有机会轮到自己。新兴趣会在有限时间内获得额外权重。之后，推荐系统会从人们与该内容的互动方式中学习。
Not Interested In：分层过滤贯穿每个阶段
Not Interested In 中的兴趣会基于不同信号在多个阶段被强制执行，以实现高精确率和高召回率。在排序期间，相关性检查中使用的同一套基于 embedding 的比较会移除与 Not Interested In 中某个兴趣过于接近的候选，降权规则会压低接近匹配项。排序之后，LLM 重排器会审查最终列表。在设备上，下文所述的缓存失效会移除已经排队等待展示的匹配候选。
Not Interested In 中并非每个条目都关乎某个主题。与质量相关的请求，例如减少 AI 生成内容或性暗示内容，会映射到专用的降权信号，而不是主题匹配。当请求指名某个创作者时，该创作者的内容会被直接过滤掉。
响应性优化
即使排序已调整为对偏好作出响应，偏好变化到达人们所见内容的速度仍有改进空间。新偏好的内容要到下一次拉取请求时才会被获取，而设备上已缓存的内容是在偏好设置之前完成排序的。
我们增加了两种投递机制来弥合这些差距。当有新兴趣加入 Interested In 时，系统会在正常拉取周期之外发送一次额外的拉取请求，称为补充尾部加载，以检索新的推荐，让匹配内容快速出现。当有興趣加入 Not Interested In 时，缓存失效会处理在该变化之前完成排序的候选。客户端会获取新兴趣的聚类，并在展示前丢弃任何匹配这些聚类的缓存内容。
LLMs 贯穿偏好生命周期：从档案到最终检查
LLMs 在 Your algorithm 中一个偏好的生命周期里的几个关键点发挥作用。它们生成人们首次访问时看到的初始档案，在每次更改发生时进行验证，并让最终推荐对照 Not Interested In 中的兴趣做最后一次检查（图 2）。每种用途都有各自约束，包括延迟、服务容量和安全性，评估它们也需要一种新方法。
档案生成提供首次访问的起始内容：推断出的兴趣和 Lately Summary。LLM 会将定期刷新的兴趣信号转换为一组具有清晰、可读主题名称的推断兴趣。这些兴趣会预填在 Interested In 列表中，并反映过去在 Facebook Feed 和 Reels 中的观看情况。LLM 还会撰写 Lately Summary，即一句突出持续兴趣的话。二者共同提供一个可识别、易于审阅和纠正的起点。
文章标题：Your Algorithm：为人们提供更多个性化 Facebook 推荐的方式
正文： Your algorithm 页面上的每一次编辑都会经过偏好管理。当添加或移动某个兴趣时，LLM 会检查该短语是否为连贯的主题、检测重复项，并将其映射到一个干净的主题名称。这一步运行在一个更小的模型上，该模型在大规模服务时效率很高。随后，经过验证的兴趣会被排序所需的信号（例如嵌入和搜索关键词）丰富，并保存到共享的偏好存储中。LLM 只是验证的一层。系统还有一个专用组件负责执行完整性与安全性检查。
一旦推荐完成排序，LLM 重排序会针对“不感兴趣”中的兴趣提供最后一道检查。排序漏斗使用嵌入将兴趣与候选内容匹配，这种方式速度快但粒度较粗。为了捕捉它们遗漏的内容，一个经过微调的 LLM 会审查排序后的列表，并移除它判断为与最近添加到“不感兴趣”中的兴趣相关的内容。一个关键洞察是，一个经过微调、仅返回需要移除条目的小模型，比一个逐项判断的通用模型更快、更可靠。
评估这些 LLM 调用需要专门的方法。标准离线指标无法判断 Lately Summary 是否准确，也无法判断重排序器是否移除了正确的候选内容，因此由一个独立的 LLM 充当评判者，根据预期行为对每次调用的输出进行评分。这提供了一种客观、可重复的方式，在上线前比较提示词和模型。
Your Algorithm 的未来
Your algorithm 创造了更透明、更个性化的推荐体验，同时依据行为与明确表达的意图。但仍有一些重要机会，例如更好地解释模糊输入，以及让推荐更精确地响应每个请求。我们还在探索更多入口，以便从更多地方塑造偏好。
致谢
这项工作体现了 Meta 跨职能 v-team 的关键贡献（按字母顺序）：
Adi Gupta、Aryan Porwal、Bernabe Soto、Chao Yang、Chen Chen、Chen Kovacs、Chengxi Li、Chih-Wei Chang、Clare Yip、Cuong Nguyen、Dahni Ma、Daniel Thiyagu、Danny Kanoff、David Yuan、Devin Ding、Devon Pan、Eric Landgrebe、Feng Zhang、George Lu、Grace Yang、Hai-Son Dang、Haisen Hong、Hongyi Shi、Hongyi Wu、Howard Lu、Huijun Qian、Igor Vodov、Iordanis Fostiropoulos、Jakara Mato、Jasmine Neisser、Jason Liu、Jason Song、Jean-Pascal Billaud、Jeffrey Lin、Jeffrey Santelli、Jian Chen、Jianyu Wang、Jiaye Pan、Jinho Hwang、Joe Sena、Jordan Reich、Kanghua Wu、Khoi Pham、Kim Trang Leaf、Kris Katsanevas、Kuo-Feng Hsu、Kushal Adhvaryu、Liyu Wang、Manish Khettry、Matthew Miao、Mayoor Rai、Momo Jiao、Nakul Tirumalai、Patrick Boocock、Patrick Cullen、Qi Guo、Qichao Que、Queenie Li、Ratish Nair、Sanyogeeta Lawande、Satvik Eltepu、Sean Chen、Shijie Xie、Shuai Zhang、Shuoyan Yin、Smruthi Gowtham、Tsung-Yi Huang、Tyler Pell、Wanting Jiang、Wanyu Li、Weiwei Jiang、Xiangyu Xu、Xin Wang、Xinyang Feng、Yanchen Wang、Yibo Zhu、Yihao Li、Yihui Saw、Yinjie Huang、Yu-Wei Wu、Yuchen Shao、Yue Wang、Yue Zhang、Yuhan Yang、Yuqi Shen、Zhen Hang Jiang、Zhiyu Liu、Zhongwei Teng、Zijiang Yang、Zoe Zu
我们还要感谢以下领导者的赞助和大力支持（按字母顺序）：
Ashish Gandhe、Helen Kong、Hongjie Bai、Meng Wu、Yaping Zhang、Yisong Song、Zellux Wang、Zhe Wang
分享：
- 分享到 Facebook（在新窗口打开）Facebook
- 分享到 Threads（在新窗口打开）Threads
- 分享到 WhatsApp（在新窗口打开）WhatsApp
- 分享到 LinkedIn（在新窗口打开）LinkedIn
- 分享到 Reddit（在新窗口打开）Reddit
- 分享到 X（在新窗口打开）X
- 分享到 Bluesky（在新窗口打开）Bluesky
- 分享到 Mastodon（在新窗口打开）Mastodon
- 分享到 Hacker News（在新窗口打开）Hacker News
- 通过电子邮件将链接发送给朋友（在新窗口打开）Email