Une nouvelle architecture de classement axée sur la diversité pour une meilleure qualité des notifications sur Instagram

TL;DR

• Meta introduit une architecture de classement des notifications axée sur la diversité afin d’équilibrer personnalisation et variété de contenu et de réduire les notifications répétitives.
• La nouvelle couche de diversité s’ajoute aux modèles d’engagement existants pour favoriser la variété entre les auteurs, les types de contenu et les surfaces de produit, tout en conservant le potentiel d’engagement.
• Le système utilise des pénalités multiplicatives et un ensemble de signaux de similarité dimensionnels pour dévaloriser les candidats trop similaires aux notifications envoyées récemment.
• Des résultats préliminaires montrent une réduction du volume quotidien de notifications tout en conservant ou en améliorant le CTR, ce qui indique une expérience plus riche et plus variée.
• À l’avenir, des stratégies de démotion adaptatives et l’éventuelle utilisation de grands modèles de langage pourraient enrichir le langage tout en maintenant la diversité des sujets et du ton.

Contexte et antécédents

Les notifications jouent un rôle clé pour ramener les utilisateurs vers des moments susceptibles de les intéresser sur Instagram. Les modèles ML déterminent qui reçoit une notification, quand l’envoyer et quel contenu inclure. Ces modèles sont optimisés pour des métriques d’engagement positives telles que le CTR et le temps passé. Toutefois, privilégier uniquement l’engagement peut mener à une exposition excessive aux mêmes auteurs ou aux mêmes surfaces de produit, générant une expérience répétitive et parfois perçue comme du spam. Cela peut conduire les utilisateurs à désactiver les notifications. Pour remédier à ce problème, Meta a développé une architecture de classement des notifications axée sur la diversité. En ajoutant une couche de diversité au-dessus des modèles d’engagement existants, l’objectif est de proposer des notifications plus diversifiées, mieux sélectionnées et moins répétitives, tout en maintenant un engagement pertinent. L’objectif est d’équilibrer le potentiel d’engagement avec la nécessité d’exposer les utilisateurs à une plus grande variété de contenus.

Ce qui est nouveau

L’innovation centrale est une couche de diversité qui multiplie le score de pertinence de base d’un candidat par un multiplicateur de démotion de diversité. Cette couche évalue chaque candidat sur plusieurs dimensions sémantiques et mesure la similarité par rapport aux notifications déjà envoyées. Si un candidat est trop proche des notifications récentes, il reçoit une dévalorisation du score par des pénalités multiplicatives. Les signaux de similarité sont calculés pour chaque dimension à l’aide d’une approche de pertinence marginale maximale, et un signal de similarité binaire p_i(c) vaut 1 si la similarité dépasse un seuil tau_i. Le score final est le produit du score de pertinence de base et du multiplicateur de diversité D(c) qui se situe entre 0 et 1. Points clés :

• Dimensions et signaux : des dimensions sémantiques comme l’auteur et le type de contenu sont utilisées pour promouvoir la diversité. Pour chaque dimension i, un signal de similarité p_i(c) est calculé par rapport à l’historique H.
• Signaux de similarité : dans la version de base, p_i(c) est binaire et vaut 1 lorsque la similarité dépasse tau_i.
• Force de démotion : chaque dimension a un poids w_i dans [0, 1] qui contrôle la force de la démotion.
• Pipeline de calcul : le score final est le produit du score de base et du multiplicateur de diversité, puis les candidats sont réordonnés pour la livraison.
• Impact pratique : la démarche a montré une réduction du volume quotidien des notifications tout en maintenant ou en améliorant le CTR.
• Orientations futures : des stratégies de démotion plus adaptatives et l’intégration potentielle de modèles de langage pour enrichir le langage et la diversité.

Pourquoi cela compte pour les développeurs et les entreprises

Pour les équipes produit et les développeurs, ce cadre offre un moyen de concilier notifications pertinentes et exposition à une plus grande variété de contenu et d’auteurs. En réduisant les répétitions, l’expérience peut être perçue comme moins fatigante et moins intrusive, ce qui peut favoriser la rétention et l’engagement à long terme. Tout en préservant des métriques clés comme le CTR, les équipes peuvent proposer une expérience de notifications plus riche et plus variée. Cette approche démontre aussi comment une couche de diversité modulaire peut s’intégrer dans des systèmes de classement ML existants. Bien que l’objectif actuel soit les notifications Instagram, le concept général pourrait éclairer les stratégies de notification sur d’autres surfaces de la plateforme.

Détails techniques ou mise en œuvre (aperçu)

• Classement de base : chaque candidat c reçoit un score de pertinence R(c) généré par les modèles d’engagement.
• Entrées de la couche de diversité : un ensemble de dimensions sémantiques est défini, par exemple auteur, type de contenu et surface de produit. Pour chaque dimension, un signal de similarité p_i(c) est calculé par rapport à l’historique H.
• Signaux de similarité : dans la version de base, p_i(c) est binaire et vaut 1 si la similarité dépasse tau_i.
• Poids de démotion : chaque dimension dispose d’un poids w_i dans [0, 1] qui détermine l’impact de la similarité sur le score.
• Calcul du score final : le score final est le produit de R(c) par D(c), un multiplicateur de diversité en [0, 1]. Le candidat à livrer est celui avec le score final le plus élevé et qui satisfait les critères de diversité.
• Mise en œuvre pratique : la couche de diversité se superpose au cadre de classement existant, permettant d’introduire la diversité sans abandonner les signaux de pertinence déjà utilisés.
• Avenir : des démotions plus dynamiques basées sur le volume et le timing des notifications, et l’exploration de modèles de langage pour enrichir le langage et accroître la diversité des sujets et du ton.

Points clés à retenir

• Une couche de diversité permet d’améliorer la variété des notifications sans sacrifier l’engagement.
• Des signaux de similarité dans plusieurs dimensions aident à réduire les candidats répétitifs.
• Le score final combine pertinence et démotion de diversité pour un classement plus riche.
• Des résultats préliminaires indiquent une réduction du volume des notifications tout en conservant une CTR satisfaisante.
• Des perspectives d’évolution incluent l’adaptation dynamique et l’intégration potentielle de modèles de langage pour augmenter la diversité linguistique et tonale.

References

• Meta engineering blog - Une nouvelle architecture de classement pour améliorer la qualité des notifications sur Instagram