在前一天的內容中，我們介紹 Instagram 為了推薦用戶其他公眾帳號，設計三個工具以節省運算資源、快速找到相似帳號。此三工具分別為：IGQL、account embeddings 和 ranking distillation model。

今天，我們一起來探討 Instagram 如何使用這些工具，以設計推薦演算法吧！

如 Day 2 的文章 所言，推薦系統分為兩個階段：candidate generation and candidate selection，不過 Instagram 稱第二階段為 ranking，在本篇文中我們會沿用他們的習慣。

因此，Explore 這個推薦頁面，分為兩階段的方法實作：
(1) The candidate generation stage (aka sourcing stage)
(2) The ranking stage (aka candidate selection stage)

The Candidate Generation Stage

1. 第一步：Instagram 利用用戶互動過的帳號當作種子帳號（seed accounts）。
   e.g., Skylar 追蹤 Athena 的帳號，將 Athena 當作種子帳號。

2. 第二步：利用這些種子帳號的 account embeddings，找尋相似的帳號。
   e.g., 利用種子帳號 Athena，找到相似的帳號 Claire。

3. 第三步：根據找到的帳號，再進一步找尋這些帳號發的文、或互動過的貼文內容，作為候選清單。
   e.g., 無論是 Claire 發過的貼文，如他的烹飪教學，或是 Claire 曾經按讚過 Jenny 的食譜貼文，都全部納入候選清單。

回憶前一篇提過的內容，account embeddings 的算法是藉由 ig2vec。

在 Instagram 上，主要有兩大類特徵，可作為篩選貼文的參考。

1. 第一類特徵：用戶在 Instagram 上的行為，如追蹤、按讚、留言、儲存或分享貼文
2. 第二類特徵：貼文的類型，如照片、影片、限時動態或直播。

除了過濾出用戶可能會感興趣的內容外，Instagram 也會利用 ML 模型，排除不適合的內容，如詐騙貼文。

The Ranking Stage

經過 candidate generation 後，會抽出 500 則內容作為候選清單，再藉由三階段排序的方式，以節省運算資源。

1. 第一階段：選取最少的特徵，從 500 則內容中挑選出 150 篇最高品質且最相關的候選貼文。至於所謂的「最相關」是如何決定的呢？Instagram 使用 value model 計算出每篇貼文的分數，實際計算方式稍後會再介紹。
2. 第二階段：使用所有特徵（dense features），並利用一個輕量模型（lightweight model），再篩選成 50 則高品質且相關的候選內容。
3. 第三階段：使用 dense and sparse features，並藉由深度神經網絡（deep neural network），最後挑選出 25 則貼文，呈現在 Explore 頁面的最前面。

Value model

為了選擇和用戶最相關的貼文，Instagram 使用 value model 計算每則內容的分數。他們採用 multi-task multi-label (MTML) neural network 預測用戶的行為，包含正面行為如按讚、儲存；負面行為如「減少顯示這類貼文」。在預測模型中，所有輸入會共享一層 MLP，以捕捉共同的訊號。

經由此模型計算，會得到不同行為的預測值，再藉由 value model 加權計算，得到最終的數值，作為排序貼文的參考。

Value model 的公式為 w_like * P(Like) + w_save * P(Save) - w_negative_action * P(Negative Action)。

最後，為了避免用戶一直看到相似內容，在 value model 中，相同帳號或來自於同一個 seed account 的貼文會加上 penalty factor，讓使用者能夠多接觸到不同內容。

好的，以上就是 Instagram 在 Explore 頁面做的所有努力，希望大家喜歡，我們明天見！

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:

• Powered by AI: Instagram’s Explore recommender system: https://ai.facebook.com/blog/powered-by-ai-instagrams-explore-recommender-system/
• Images: https://www.flaticon.com/