Meta gibt Facebook-Nutzern direkte Kontrolle über Feed- und Reels-Empfehlungen
Meta gibt Facebook-Nutzern eine bearbeitbare Übersicht über die Interessen, die Empfehlungen im Feed und in Reels beeinflussen. Mit dem System Your algorithm können Nutzer Interessen per natürlicher Sprache hinzufügen, entfernen oder verschieben. Die Änderungen gelten für beide Bereiche.
- Your algorithm ermöglicht es Nutzern, Facebook-Interessen per natürlicher Sprache zu bearbeiten.
- Die Änderungen gelten für Empfehlungen im Feed und in Reels.
- Das System trennt die Kontrollen „Interested In“ und „Not Interested In“.
- LLMs helfen dabei, Profile zu erstellen, Änderungen zu prüfen und bewertete Inhalte zu kontrollieren.
- Zusätzliche Abrufe und die Ungültigmachung von Caches sorgen dafür, dass Änderungen unmittelbar wirksam werden.
Ein zentraler Ort zur Verwaltung von Empfehlungen
Meta beschreibt Your algorithm als eine Reihe von KI-gestützten Werkzeugen, die Facebook-Empfehlungen transparenter und steuerbarer machen sollen. Das System verbindet eine für Nutzer sichtbare Seite mit einer Empfehlungsinfrastruktur, die Präferenzen speichert und sie bei der Bewertung und Ausspielung berücksichtigt.
Die Seite beginnt mit einer einzeiligen „Lately Summary“, die die zuletzt angesehenen Inhalte beschreibt. Sie enthält außerdem eine Liste „Interested In“, die mit aus früheren Aktivitäten abgeleiteten Interessen vorausgefüllt ist, sowie eine Liste „Not Interested In“ mit Themen, die eine Person abgelehnt, ausgeblendet oder als uninteressant markiert hat.
Nutzer können Interessen mit ihren eigenen Worten hinzufügen, sie zwischen den beiden Listen verschieben oder entfernen. Laut Meta wirkt sich jede Änderung unmittelbar auf Feed und Reels aus. Weitere Anpassungen basieren auf dem Feedback zu einzelnen Beiträgen.
So gelangen Präferenzen in den Empfehlungsprozess
Meta zufolge stützen sich herkömmliche Empfehlungssysteme stark auf implizite Interaktionssignale. Dieser Ansatz lässt sich zwar skalieren, passt sich laut dem Unternehmen aber nur langsam an und erfasst weniger Nuancen als direkte Eingaben der Nutzer.
Für ein zu „Interested In“ hinzugefügtes Interesse nutzt Your algorithm vier Quellen zur Inhaltssuche. Zwei suchen direkt nach passenden Inhalten, während zwei weitere die Entdeckung über den Inhaltsgraphen und die Ähnlichkeit zwischen einzelnen Inhalten erweitern. Relevante Kandidaten werden bei der Bewertung in einer späten Phase bevorzugt, damit sie mit anderen Empfehlungen konkurrieren können.
Das System soll Sichtbarkeit und Vielfalt ausbalancieren. Ein neues Interesse soll laut Meta sichtbar werden, ohne den Feed zu dominieren. Eine Kontrollschicht verteilt Empfehlungen zum selben Interesse zeitlich und begrenzt den täglichen Beitrag jedes Interesses. Neue Interessen erhalten für einen begrenzten Zeitraum zusätzliches Gewicht, bevor das System aus dem Nutzerverhalten zu den daraus resultierenden Inhalten lernt.
Präferenzen aus „Not Interested In“ werden in mehreren Phasen berücksichtigt. Vergleiche auf Basis von Einbettungen können ähnliche Treffer während der Bewertung entfernen, Regeln zur Herabstufung drücken nahezu passende Inhalte nach unten, und ein LLM-Reranker prüft die endgültige Liste. Anfragen zu Qualitätsmerkmalen, etwa zur Verringerung von KI-generierten oder sexuell anzüglichen Inhalten, nutzen spezielle Signale zur Herabstufung. Ein in der Liste genannter Creator wird direkt herausgefiltert.
LLMs verwalten Präferenzen und beschleunigen Änderungen
Große Sprachmodelle kommen im gesamten Lebenszyklus der Präferenzen zum Einsatz. Sie erstellen das anfängliche Interessenprofil und die Lately Summary, prüfen Änderungen, erkennen Duplikate, ordnen Formulierungen eindeutigen Themennamen zu und führen eine abschließende Prüfung gegen Interessen aus „Not Interested In“ durch.
Meta zufolge übernimmt ein kleineres Modell die Validierung effizient im großen Maßstab. Die bestätigte Präferenz wird vor dem Speichern mit einer Einbettung und Suchbegriffen angereichert. Gespeichert wird sie in einem gemeinsamen Speicher, den Feed und Reels nutzen. Separate Prüfungen zu Integrität und Sicherheit sind ebenfalls Teil des Prozesses.
Das Unternehmen hat Mechanismen für die Ausspielung von Änderungen ergänzt, die andernfalls durch Empfehlungs- und Gerätecaches verzögert werden könnten. Das Hinzufügen eines Interesses löst einen zusätzlichen Tail-Load aus, also eine weitere Abrufanfrage außerhalb des normalen Zyklus. Beim Entfernen eines Interesses können zwischengespeicherte Inhalte ungültig gemacht werden, indem Themencluster abgerufen und passende Kandidaten vor der Anzeige entfernt werden.
Für Nutzer bietet das System eine direktere Möglichkeit, Facebook-Empfehlungen zu beeinflussen, als sich ausschließlich auf das eigene Anzeige- und Interaktionsverhalten zu verlassen. Metas Beschreibung zeigt außerdem, wie das Unternehmen bearbeitbare Kontrollen, Bewertungslogik, geräteseitige Verarbeitung und auf bestimmte Aufgaben zugeschnittene LLMs kombiniert, damit diese Präferenzen sowohl die Entdeckung als auch die Filterung beeinflussen.
Engineering at Meta: Your Algorithm: Giving People More Ways to Personalize Facebook Recommendations
