Skylar 一如往常地在滑著 Instagram 時，突然發現在首頁，除了他原本追蹤的帳號以外，也多了一些貼文來自他沒有追蹤的帳號，那些貼文的左上角都寫著「Suggested Posts」。更令人詫異的是，這些內容也是 Skylar 會喜歡的，他好奇地點進去帳號，滑了幾篇內容之後就決定追蹤。

Instagram 怎麼知道 Skylar 會喜歡這個帳號呢？又和 Explore 有什麼不同呢？我們今天一起來深入研究吧！

如同在 Day 4 提到的，Instgram 主要分成三個區塊：

• The Home Feed Ranking System：用戶追蹤的帳號所發表的內容。
• Explore Ranking System：用戶自己探索可能會喜歡的其他公眾帳號。
• Suggested Post：介於上面兩者中間，用戶沒有追蹤，但用戶可能會喜歡，且讓用戶覺得是自己發現的，希望讓用戶「Feels Like Home」。

今天要介紹的是 Suggested Post，所謂的「Feels Like Home」指的是推薦用戶如同在「The Home Feed」中，他們自己追蹤的帳號。

兩種推薦系統

推縣系統分為以下兩類：

Connected Recommendation System

例子：Facebook 的首頁、Instagram 的 Home Feed 或 YouTube 的訂閱功能。
用戶的興趣是外顯的，如 Facebook 上的好友、追蹤的粉絲專頁、加入的社群等等。演算法直接列出使用者訂閱的內容，再按照參與度、關聯、用戶興趣、內容品質和發表時間等等排序。

Unconnected Recommendation System

例子：Facebook 的廣告、Instagram 的 Suggested Post。
用戶的興趣是內隱的，意即無法直接從用戶追蹤清單選取得到內容，而是基於使用者的行為和興趣。

既然 Suggested Post 無法直接由用戶追蹤清單獲取候選清單，其推薦系統是如何設計的呢？我們一樣利用前幾篇文章也不斷提到的兩階段推薦系統分別說明。

Stage 1: Candidate Generation

用戶在 Instagram 的行為會建構出一個興趣網絡，每個節點代表用戶的興趣，例如他們追蹤的帳號所發表的文章。利用這些節點當作 KNN 模型的輸入，會輸出和節點相似的內容或帳號。

KNN 模型建構於兩個 ML 演算法：

Embeddings based similarity

利用使用者的行為資料以建構 account embeddings，以找出在向量空間中靠近、相似的帳號。
算法同 [[Powered by AI: Instagram’s Explore Recommender System]] 中計算 account embeddings 的方法，將此用戶互動的帳號、貼文當作句子中的序列。

Co-occurrence based similarity

這個方法的概念是 frequent pattern mining，步驟如下：

1. 利用此用戶互動的內容，產生出會一起產生的內容清單。
2. 內容清單中兩兩配對，計算每對同時出現的機率（例如太空貼文和美食貼文同時出現）。
3. 集合所有內容、排序，並取前 N 個同時出現的內容。

舉例而言，Skylar 喜歡美食和攝影的內容，在第一步驟時將美食和攝影的內容配對。在第二步驟時計算這兩種貼文同時出現的頻率。最後，基於 seed（可能是 author seeds 或 media seeds），產生推薦內容清單。

Cold start problem

然而，要是此用戶為新用戶，沒有足夠的行為資料，要如何推薦內容呢？

有兩個解決辦法：

Fallback graph exploration

利用 one-hop 和 two-hop connections 產生內容候選清單。

例如 Skylar 幫媽媽辦了一個 Instagram 帳號，Skylar 媽在尚未按下任何愛心之前，可以利用 Skylar 媽追蹤的帳號當作 seed account 以產生推薦內容。比方說 Skylar 媽追蹤她最喜歡的廚師 Kyler，因此 Instagram 利用 Kyler 的帳號當作 seed account，再產生推薦內容給 Skylar 媽。

Popular media

推薦最熱門的內容，再利用用戶的行為逐步優化。

Stage 2: Candidate Selection

Instagram 基於正面因子和負面因子以排序候選清單，正面因子包含按愛心、留言和儲存；負面因子則是用戶按下不感興趣和減少此類貼文。

每篇貼文的數值基於 log 的線性組合計算而得：Value(Post) = (probability_like)^weight_like * (1 - probability_not_interested)^weight_see_less

權重的調整是藉由以下兩個方法：(1) 線下重複使用用戶資料 (2) 線上的 Bayesian optimization。

至於正面和負面行為的機率值，是藉由模型計算而得。

模型

Instagram 採用以下幾個模型：

Point-wise classification

最小化 cross-entropy。

• MTML (Multi Task Multi Label Sparse Neural Nets)：多個標籤，例如按愛心、儲存。
• Gradient Boosted Decision Trees。

List-wise session based algorithms

如 LambdaRank 以最小化 NDCG loss。

模型的架構和權重會在線上或線下訓練時，不斷進行調整，也會經過 A/B testing。必要時，Instagram 也會採用上篇提過的 multi-stage ranking 和 distillation models。

模型使用的特徵陳列如下：

• 貼文者與觀看者的互動
• 貼文的品質
• 用戶習慣的互動行為
• User embedding
• 貼文的內容分類及類型

以上只是幾個範例，不是所有使用的特徵。

"Feels Like Home"

最後，Instagram 強調，他們希望用戶在看到這些推薦內容時，能夠「Feels Like Home」，意即讓用戶覺得這些推薦內容是自己發現的。

為了達到此目的，Instagram 確保利用新模型推薦貼文的 author embedding 和原本就會在 Home Feed 的 authors embeddings 相似。
並在 candidate selection 步驟中，確保整體的 distribution 不會和 Home Feed 中的貼文差很多，也確認貼文的新舊程度、內容種類（照片、影片、相簿）和原本在 Home Feed 的貼文相差無幾。

另外，他們也會進行質性研究，細節請參考 [Day 2] Facebook 如何排序推薦內容（上）- 使用者調查的內容。

從 Day 2 到 Day 6，我們一起看了 Meta 分別在 Facebook 和 Instagram 如何實作演算法以推薦內容。明天開始，焦點會轉向 Netflix，歡迎明天回來繼續一起認識科技公司背後的演算法吧！

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 Instagram Suggests New Content: https://engineering.fb.com/2020/12/10/web/how-instagram-suggests-new-content/