Un nuevo marco de clasificación consciente de la diversidad para mejorar la calidad de notificaciones en Instagram

TL;DR

• Meta introduce un marco de clasificación de notificaciones consciente de la diversidad para equilibrar personalización y variedad de contenido, reduciendo notificaciones repetitivas.
• La nueva capa de diversidad se añade a los modelos de engagement existentes para promover diversidad entre autores, tipos de contenido y superficies de producto, manteniendo el potencial de engagement.
• El sistema utiliza penalizaciones multiplicativas y señales de similitud dimensional para revalorizar candidatos que no sean demasiado parecidos a notificaciones enviadas recientemente.
• Resultados preliminares muestran una reducción en el volumen diario de notificaciones, manteniendo o incluso mejorando el CTR, lo que indica una experiencia más variada y relevante.
• En el futuro, se contemplan estrategias de democión dinámicas y, potencialmente, la incorporación de grandes modelos de lenguaje para enriquecer el lenguaje y ampliar la diversidad de temas y tono.

Contexto y antecedentes

Las notificaciones son herramientas poderosas para traer a las personas de vuelta a Instagram cuando hay momentos que podrían gustarles. Los modelos de ML deciden quién debe recibir una notificación, cuándo enviarla y qué contenido incluir. Estos modelos se optimizan para métricas de compromiso positivas como CTR y tiempo dedicado. Sin embargo, priorizar solo el engagement puede sobreexponer a los usuarios a los mismos autores o a las mismas superficies de producto, provocando experiencias repetitivas y, a veces, percibidas como spam. Con el objetivo de encontrar un equilibrio entre personalización y diversidad, Meta ha desarrollado un marco de clasificación consciente de la diversidad. Este marco añade una capa de diversidad sobre los modelos existentes para ofrecer notificaciones más variadas, mejor curadas y menos repetitivas, manteniendo un engagement relevante. El resultado esperado es equilibrar el potencial de engagement con la necesidad de exponer a los usuarios a una gama más amplia de contenidos.

Qué hay de nuevo

La innovación central es una capa de diversidad que multiplica la puntuación de relevancia base de cada candidato por un multiplicador de democión de diversidad. Esta capa evalúa cada candidato respecto a varias dimensiones semánticas y mide la similitud con notificaciones enviadas recientemente. Si un candidato es demasiado similar a notificaciones anteriores, se reduce su puntuación mediante penalizaciones multiplicativas. Los signos de similitud se calculan para cada dimensión i usando un enfoque de relevancia marginal maximal, generando un indicador de similitud binario p_i(c) que vale 1 si la similitud supera un umbral tau_i. La puntuación final es el producto de la puntuación de relevancia base R(c) y un multiplicador de diversidad D(c) en [0, 1]. Aspectos clave:

• Dimensiones y señales: se usan dimensiones semánticas como autor y tipo de contenido para promover diversidad. Para cada dimensión i, se calcula un signo de similitud p_i(c) respecto al histórico H.
• Signales de similitud: en la versión base, p_i(c) es binario y vale 1 si la similitud supera tau_i.
• Fuerza de la democión: cada dimensión tiene un peso w_i en [0, 1] que controla la intensidad de la democión.
• Flujo de implementación: el score final es el producto de R(c) por D(c) y se reordena para seleccionar la notificación final.
• Impacto práctico: se ha observado una reducción del volumen diario de notificaciones manteniendo o aumentando el CTR.
• Direcciones futuras: se contemplan estrategias de democión más adaptativas y, potencialmente, la integración de modelos de lenguaje para enriquecer el lenguaje y ampliar la diversidad entre temas y tonos.

Por qué importa (impacto para desarrolladores/empresas)

Para equipos de desarrollo, este enfoque ofrece una vía para equilibrar notificaciones relevantes con una mayor exposición a una variedad de contenidos y autores. Reducir la repetición puede disminuir la fatiga del usuario y la sensación de spam, lo que favorece la retención y el compromiso a largo plazo. Al mismo tiempo, mantener métricas como el CTR demuestra que es posible ofrecer una experiencia más variada sin sacrificar el rendimiento. La metodología demuestra cómo una capa modular de diversidad puede integrarse en sistemas de clasificación ya existentes. Aunque el enfoque se aplica a notificaciones de Instagram, el concepto podría guiar estrategias de notificación en otras superficies de la plataforma.

Detalles técnicos o Implementación (visión general)

• Clasificación base: cada candidato c tiene una puntuación de relevancia base R(c) generada por los modelos de engagement existentes.
• Entradas de la capa de diversidad: se define un conjunto de dimensiones semánticas y para cada dimensión se calcula un signo de similaridad p_i(c) frente al historial H.
• Signales de similitud: en la versión base, p_i(c) es binario y vale 1 si la similitud supera tau_i.
• Pesos de democión: cada dimensión tiene un peso w_i en [0, 1] que controla cuánto la similitud penaliza el candidato.
• Cálculo de la puntuación final: la puntuación final es el producto de R(c) por D(c), un multiplicador de diversidad en [0, 1]. El candidato con la mayor puntuación final que cumpla criterios de diversidad se entrega.
• Implementación práctica: la capa de diversidad se añade encima del marco de ranking existente para permitir diversidad sin perder señales de relevancia.
• Futuro: estrategias de democión más dinámicas basadas en volumen y tiempo de entrega, y la posibilidad de incorporar modelos de lenguaje para enriquecer el lenguaje y ampliar la diversidad entre temas y tono.

Conclusiones clave (takeaways)

• Una capa de diversidad puede mejorar la variedad de notificaciones sin sacrificar el engagement.
• Señales de similitud en múltiples dimensiones ayudan a reducir candidatos repetitivos.
• El score final combina relevancia base con democión de diversidad para un ranking más rico.
• Los resultados iniciales muestran una reducción del volumen de notificaciones con CTR estable o mejorado.
• El trabajo futuro incluye democión adaptativa y posible uso de modelos de lenguaje para ampliar la diversidad lingüística y tonal.

Referencias

• Meta engineering blog - Una nueva estructura de clasificación para mejorar la calidad de las notificaciones en Instagram