- Hemos mejorado las recomendaciones de videos personalizados en Facebook Reels yendo más allá de métricas como Me gusta y tiempo de reproducción y aprovechando directamente los comentarios de los usuarios.
- Nuestro nuevo Maniquí de averiguación de interés existente del beneficiario (UTIS)ahora ayuda a mostrar más contenido especializado y de reincorporación calidad y aumenta el compromiso, la retención y la satisfacción.
- Estamos redoblando la reto por la personalización, abordando desafíos como la escasez de datos de los usuarios y los prejuicios, y explorando la IA destacamento para hacer recomendaciones aún más inteligentes y diversas.
- Nuestro publicación, “Mejore la personalización de los sistemas de clasificación a gran escalera integrando los comentarios de las encuestas de los usuarios” comparte todos los detalles sobre este trabajo.
Ofrecer recomendaciones de vídeo personalizadas es un desafío popular para la satisfacción del beneficiario y la billete a prolongado plazo en plataformas sociales a gran escalera. En Facebook Reels, hemos estado trabajando para cerrar esta brecha enfocándonos en la «coincidencia de intereses», asegurando que el contenido que las personas ven verdaderamente se alinee con sus preferencias únicas. Al combinar encuestas de usuarios a gran escalera con avances recientes en el enseñanza espontáneo, ahora podemos comprender y modelar mejor lo que verdaderamente les importa a las personas, lo que ha llevado a mejoras significativas tanto en la calidad de las recomendaciones como en la satisfacción universal del beneficiario.
Por qué es importante el serio interés
Los sistemas de recomendación tradicionales a menudo se basan en señales de billete (como me gusta, acciones y tiempo de visualización) o heurísticas para inferir los intereses de los usuarios. Sin bloqueo, estas señales pueden ser ruidosas y es posible que no capturen completamente los matices de lo que a la muchedumbre verdaderamente le importa o quiere ver. Los modelos entrenados nada más en estas señales tienden a aconsejar contenido que tiene un parada valía para el beneficiario a corto plazo medido por el tiempo de visualización y la billete, pero que no capta los verdaderos intereses que son importantes para la utilidad del producto a prolongado plazo. Para cerrar esta brecha, necesitábamos una forma más directa de calcular la percepción del beneficiario sobre la relevancia del contenido. Nuestra investigación muestra que la coincidencia de intereses eficaz va más allá de la simple alineamiento de temas; igualmente alpargata factores como el audio, el estilo de producción, el estado de humor y la motivación. Al capturar con precisión estas dimensiones, podemos ofrecer recomendaciones que parezcan más relevantes y personalizadas, animando a las personas a retornar a la aplicación con más frecuencia.
Cómo medimos la percepción del beneficiario
Para validar nuestro enfoque, lanzamos encuestas aleatorias a gran escalera en el interior del canal de video, preguntando a los usuarios: «¿Qué tan correctamente coincide este video con sus intereses?» Estas encuestas se implementaron en Facebook Reels y otras superficies de video, lo que nos permitió compilar miles de respuestas en contexto de los usuarios todos los días. Los resultados revelaron que las heurísticas de interés anteriores sólo lograron un 48,3% de precisión en la identificación de verdaderos interesesdestacando la menester de un situación de medición más sólido.
Al ponderar las respuestas para corregir el sesgo de muestreo y errata de respuesta, creamos un conjunto de datos integral que refleja con precisión las preferencias reales de los usuarios, yendo más allá de las señales de billete implícitas para utilizar los comentarios directos y en tiempo existente de los usuarios.
Ámbito: maniquí de averiguación de interés existente del beneficiario (UTIS)
Diariamente, una cierta proporción de usuarios que ven sesiones en la plataforma son elegidos al azar para mostrar una averiguación de una sola pregunta: «¿En qué medida este video coincide con sus intereses?» en una escalera del 1 al 5. La averiguación tiene como objetivo compilar comentarios en tiempo existente de los usuarios sobre el contenido que acaban de ver.
El principal maniquí de clasificación de candidatos utilizado por la plataforma es un gran maniquí de múltiples tareas y múltiples etiquetas. Entrenamos un UTIS diligente. maniquí de alineamiento capa en las respuestas recopiladas de la averiguación de usuarios utilizando predicciones existentes del maniquí principal como características de entrada. Las respuestas de la averiguación utilizadas para entrenar nuestro maniquí se binarizaron para favorecer el modelado y eliminar la variación de ruido en las respuestas. Por otra parte, se diseñaron nuevas funciones para capturar el comportamiento del beneficiario, los atributos del contenido y las señales de interés con la función de objeto para optimizar la predicción del nivel de coincidencia de intereses de los usuarios.
El maniquí UTIS genera la probabilidad de que un beneficiario esté satisfecho con un video y está diseñado para ser interpretable, lo que nos permite comprender los factores que contribuyen a la experiencia de coincidencia de intereses de los usuarios.
Integración del maniquí UTIS en el sistema de clasificación principal
Hemos experimentado e implementado varios casos de uso del maniquí UTIS en nuestro embudo de clasificación, todos los cuales mostraron mejoras exitosas en las métricas de retención de usuarios de nivel 0:
- Clasificación de última etapa (LSR): UTIS se implementa en paralelo al maniquí LSR, proporcionando una característica de entrada adicional en la fórmula del valía final. Esto permite ajustar la etapa de clasificación final para incorporar intereses verdaderos y al mismo tiempo equilibrar otras preocupaciones.
- Clasificación de etapa original (recuperación): UTIS se utiliza para rehacer los verdaderos perfiles de interés de los usuarios agregando datos de encuestas para predecir la afinidad para cualquier par de usuario-video determinado, lo que nos permite reclasificar el perfil de interés del beneficiario y despabilarse más candidatos relevantes para los verdaderos intereses de los usuarios. Por otra parte, las secuencias grandes basadas en modelos de recuperación de beneficiario a aspecto se alinean utilizando objetivos basados en destilación de conocimiento entrenados en predicciones UTIS de LSR como etiquetas.
La puntuación del maniquí UTIS es ahora una de las entradas de nuestro sistema de clasificación. Los vídeos que se prevé que serán de gran interés reciben un modesto impulso, mientras que aquellos con un interés previsto bajo se degradan. Este enfoque ha llevado a:
- Anciano entrega de contenido especializado de reincorporación calidad.
- Una reducción de las recomendaciones genéricas de descenso calidad basadas en la popularidad.
- Mejoras en las tasas de me gusta, compartir y seguir.
- Métricas mejoradas de billete y retención de usuarios.
Desde que lanzamos este enfoque, hemos observado un rendimiento sólido en rasgo y fuera de rasgo.
- Rendimiento sin conexión: El maniquí UTIS proporcionó una restablecimiento en precisión y confiabilidad con respecto a la rasgo de pulvínulo de la regla heurística. La precisión aumentó del 59,5 % al 71,5 %, la precisión mejoró del 48,3 % al 63,2 % y la recuperación aumentó del 45,4 % al 66,1 %. Estas ganancias demuestran la capacidad del maniquí para ayudar a identificar con precisión las preferencias de intereses de los usuarios.
- Rendimiento en rasgo: Las pruebas A/B a gran escalera con más de 10 millones de usuarios confirmaron estas mejoras en entornos del mundo existente. El maniquí UTIS superó consistentemente la rasgo de pulvínulo, impulsando una longevo billete y retención de los usuarios.. En particular, vimos un aumento del +5,4 % en las calificaciones altas de las encuestas, una reducción del -6,84 % en las calificaciones bajas de las encuestas, un aumento del +5,2 % en la billete total de los usuarios y una disminución del -0,34 % en las violaciones de integridad. Estos resultados resaltan la fuerza del maniquí para mejorar la experiencia del beneficiario y relacionar a los usuarios con intereses relevantes.
Recomendaciones sobre trabajos futuros para intereses
Al integrar la medición basada en encuestas con el enseñanza espontáneo, estamos creando una experiencia más atractiva y personalizada, entregando contenido en Facebook Reels que se siente verdaderamente personalizado para cada beneficiario y fomenta las visitas repetidas. Si correctamente el modelado basado en encuestas ya ha mejorado nuestras recomendaciones, aún existen importantes oportunidades de restablecimiento, como convidar un mejor servicio a los usuarios con escasos historiales de billete, compendiar el sesgo en el muestreo y la entrega de encuestas, personalizar aún más las recomendaciones para diversas cohortes de usuarios y mejorar la riqueza de las recomendaciones. Para acometer estos desafíos y continuar avanzando en relevancia y calidad, igualmente estamos explorando técnicas de modelado avanzadas, incluidos modelos de estilo grandes y representaciones de usuarios más granulares.
Acertar el documento