回憶昨天的介紹，推薦系統分為兩個階段：candidate generation 和 candidate selection，以下按照這兩個步驟依序介紹。

Candidate generation

• 目的：搜集所有候選貼文
• 方法：
  • 涵蓋自從用戶上次登入後，所有朋友、社團、追蹤的粉絲專頁的貼文，並且也包含前次登入沒有讀到、但分數夠高到值得被留存到這次的貼文。
  • 另外，如果用戶在上次登入時有看過某篇貼文，且這篇貼文在他的朋友中引起熱烈迴響，也有可能讓用戶再次讀到。

Candidate selection

基本概念是利用每則貼文的特徵 x(it)，計算出預測行為的分數 Y(ijt)，再加權平均得到貼文的最終分數 V(ijt)。最後，利用 V(ijt) 將所有貼文排序。

• x(it)：貼文本身的特徵。例如：貼文型態（文章、影片或照片）、embedding、讀者通常會有的反應、什麼樣的觀看者會和這則貼文互動。
• Y(ijt)：將所有特徵行為簡化成一個數值：Y(ijt) = f(x(it1); x(it2); ... ; x(itC))，其中 C 是指不同的行為特徵。
• V(ijt)：每則貼文的最終分數，計算方式是 Y(ijt) 的線性加權，以此分數排序貼文。

在多台機器平行運算的方式，確保能夠及時得到所有貼文的分數。

階段

Pass 0
選擇和用戶最相關的五百則貼文。

Pass 1
每則貼文獨立地計算，再依照此分數排序。
主要的客製化發生在這個步驟，將所有 Y(ijt) 利用線性組合結合成 V(ijt)。
V(ijt) = w(ijt1)Y(ijt1) + w(ijt2)Y(ijt2) + ... + w(ijtk)Y(ijtk)。

有些人比較喜歡按讚而非留言，那他的留言權重（w）就會降低，以確保比較不重要的預測值的影響力較小。

Pass 2
確保用戶不會連續看到多則相同型態的貼文（例如一直看到影片，都沒有其他內容出現）。

這樣說明可能還是有一點模糊，讓我們以 Skylar 昨天看到的貼文為例，再更具體地說明吧！

昨天 Skylar 看到的內容為：

以上的發文者類型、發文者、貼文類型、發文內容都是貼文本身的特徵 X(it)。

而 Skylar 能夠做的反應如下：

對於每一則貼文而言，都可以個別預測三個行為分數 Y(itj)。

最後，每一則貼文再依照線性權重，計算 V(ijt)。
例如 Skylar 比較喜歡幫社團的照片按讚，則貼文編號 #3 的 Y(ijt1) 權重較高。而遇到朋友時，他喜歡留言，因此 #1 Toby 和 #2 Wade 的貼文之 Y(ijt2) 權重會較高。

根據這樣複雜的計算，最終四則貼文可以得到各自的 V(ijt)，Facebook 再依照此分數排序貼文。

以上就是 Facebook 如何利用機器學習以產生貼文排序的做法。
是不是看得頭昏眼花了呢？

趕快去滑滑 Facebook 壓壓驚，歡迎明天回來，讓我們一起來看 Meta 另一個令人愛不釋手的產品 Instagram 的推薦系統，又跟 Facebook 有什麼不一樣呢？

謝謝讀到最後的你，如果喜歡這系列，別忘了按下訂閱，才不會錯過最新更新，也可以按讚給我鼓勵唷！
並歡迎到我的 medium 逛逛！

Reference:

• How Machine Learning Powers Facebook’s News Feed Ranking Algorithm: https://engineering.fb.com/2021/01/26/ml-applications/news-feed-ranking/