
Meta Your algorithm:用自然语言改兴趣清单,并让同一套偏好同时作用于 Feed 和 Reels
工程Meta推荐系统LLM偏好管理Facebook
一句话结论
把用户用自己的话写下的兴趣和「不感兴趣」收进同一份存储,检索、重排和端上缓存一起执行,再用不同体量的 LLM 分别做建档、改写校验和最后一道过滤。
打开原文
Meta Engineering:Your algorithm
背景与理念
传统推荐主要靠隐式互动信号,规模好做,但适应慢、也抓不住细微差别。Your algorithm 想让人直接用自然语言告诉系统,希望在 Facebook 的 Feed 和 Reels 里看到什么。页面顶部是一句「近来在看什么」的摘要,下面是「感兴趣」和「不感兴趣」两份清单:前者预填从历史行为推断出的兴趣,后者收录用户明确标记、叉掉或隐藏的主题。增删或在两份清单间移动,会同时作用于 Feed 和 Reels,并随着对单条内容的反馈继续更新。
具体做法
- 把偏好的完整生命周期拆成建档、管理、排序和触达。建档负责第一次打开时的兴趣画像;偏好管理校验每次修改、补上排序所需信号,并写入 Feed 和 Reels 共用的存储,保证页面上看到的和排序用的是同一份。
- 「感兴趣」要露出来,但不能独占。每个兴趣驱动四路检索:两路直接找匹配内容(搜索、相近主题簇),两路通过内容图和物品相似扩展覆盖。通过相关性检查的候选会在后期排序中获得提升,再由控制层决定出现位置、同一兴趣的间隔,以及每个兴趣每天的贡献上限。每次请求只为其中一个兴趣取候选,让各兴趣轮流露面;新兴趣会在有限期内加权重,之后再按真实互动学习。
- 「不感兴趣」在漏斗各层叠过滤。排序阶段用与相关性检查相同的嵌入比较去掉过近的候选,并打压近似匹配;排序后再由 LLM 重排器审一遍最终列表。质量类请求(例如减少 AI 生成或色情暗示内容)映射到专门的打压信号,而不是主题匹配;点名某个创作者则直接过滤其内容。
- 补上「改完立刻看见」的两处缺口。新兴趣加入后,系统会在正常拉取周期之外发一次补充请求,尽快拉到匹配内容;加入「不感兴趣」时,客户端拿到新兴趣的簇,在展示前丢掉缓存里已排好、但已命中的候选。
关键数据/例子
文中没有给出上线后的点击率或留存数字,重点是各环节怎么用模型。初始画像和「近来摘要」由 LLM 把定期刷新的兴趣信号写成可读主题名;每次编辑先经过一个便于规模化服务的小模型,检查短语是否是连贯主题、是否重复,并映射到干净的主题名,然后再做完整性和安全校验。最后一道「不感兴趣」检查里,关键发现是:微调一个只返回「该删哪些」的小模型,比通用模型逐条判断更快也更稳。离线指标说不清摘要准不准、重排器删得对不对,所以另用一个 LLM 当评委,对照预期行为给每次调用打分,再比较提示词和模型。
创新点
第一,页面上的清单和排序用的是同一份存储,避免「设置了但推荐没改」。第二,为「感兴趣」和「不感兴趣」分别设计检索、打压、缓存失效和补充拉取,而不是共用一个开关。第三,按延迟和容量把 LLM 拆到建档、校验和重排三个岗位,并用「只输出要删除的条目」降低最后一道过滤的成本。
可否复用
- 让用户看见并编辑的偏好,必须和排序实际读取的是同一份数据。
- 新兴趣要保证进候选池,同时用间隔、日配额和轮流检索防止它挤掉其余内容。
- 「不想看」要在检索、排序、重排和端上缓存多层执行,并把质量类、创作者类请求与主题过滤分开处理。
- 评 LLM 摘要或过滤时,用带预期行为的评委流程比较提示词和模型,不要只看通用离线指标。