Nova Estrutura de Classificação com Foco em Diversidade para Melhor Qualidade de Notificações no Instagram

TL;DR

• A Meta apresenta uma estrutura de classificação de notificações com foco em diversidade para equilibrar personalização e variedade de conteúdo, reduzindo notificações repetitivas.
• A nova camada de diversidade é adicionada aos modelos de engajamento existentes, promovendo variedade entre autores, tipos de conteúdo e superfícies de produtos, sem perder o potencial de engajamento.
• O sistema utiliza penalidades multiplicativas e um conjunto de sinais de similaridade dimensional para rebaixar candidatos muito semelhantes aos recebidos recentemente.
• Resultados iniciais mostram redução no volume diário de notificações e, ao mesmo tempo, melhoria na CTR, sinalizando uma experiência mais relevante e variada.
• Olhando para o futuro, há planos de estratégias de demissão dinâmicas e, possivelmente, a integração de grandes modelos de linguagem para enriquecer a linguagem e manter a diversidade de tópicos e tons.

Contexto e antecedentes

Notificações são uma ferramenta poderosa para reconectar as pessoas com momentos que podem gostar no Instagram. A plataforma usa modelos de ML para decidir quem recebe uma notificação, quando enviá-la e que conteúdo incluir. Esses modelos costumam ser otimizados para métricas de engajamento, como CTR e tempo gasto. No entanto, priorizar apenas o engajamento pode levar a uma sobreexposição aos mesmos autores ou aos mesmos tipos de conteúdo de produto, resultando em uma experiência repetitiva e, às vezes, irritante para o usuário. Isso pode levar o usuário a desativar as notificações. Para enfrentar esse desafio, a Meta desenvolveu uma estrutura de classificação de notificações com foco em diversidade. Ao introduzir uma camada de diversidade sobre os modelos de engajamento existentes, a ideia é entregar notificações mais variadas, melhor curadas e menos repetitivas, mantendo um engajamento relevante. O objetivo é equilibrar o potencial de engajamento com a necessidade de ampliar o conjunto de conteúdos apresentados.

O que há de novo

O ponto central é uma camada de diversidade que multiplica a pontuação de relevância base de cada candidato por um multiplicador de demissão de diversidade. A camada avalia cada candidato de notificação com base em várias dimensões semânticas, como autor, tipo de conteúdo e superfície de produto, para medir a similaridade com notificações enviadas recentemente. Se um candidato for muito parecido com notificações passadas, recebe uma redução de pontuação devido às penalidades multiplicativas. As semelhanças são computadas para cada dimensão i usando um método de relevância marginal máxima, gerando um sinal de similaridade binário p_i(c) que vale 1 se a similaridade ultrapassar um limiar tau_i. A pontuação final é o produto do score de relevância base e do multiplicador de diversidade D(c) que está em [0, 1]. Pontos-chave incluem:

• Dimensões e sinais: dimensões semânticas como autor e tipo de conteúdo são usadas para promover diversidade. Para cada dimensão i, é calculado um sinal de similaridade p_i(c) em relação ao conjunto histórico H usando uma função de similaridade sim_i(·, ·).
• Sinais de similaridade: no baseline, p_i(c) é binário e vale 1 quando a similaridade excede o limiar tau_i.
• Força de demissão: cada dimensão tem um peso w_i em [0, 1] que controla o quanto a similaridade reduz o candidato.
• Caminho de implementação: o sistema calcula uma pontuação final como o produto da pontuação de relevância base e do multiplicador de diversidade, permitindo a re-ranked de notificações com potencial de engajamento mantendo variedade.
• Impacto prático: a abordagem já mostrou reduções no volume diário de notificações mantendo ou melhorando a CTR, sugerindo que os usuários recebem menos notificações, mas com maior variedade.
• Direções futuras: planejamento de estratégias de demissão mais adaptativas que respondam ao volume e ao timing das notificações, além da possível inclusão de grandes modelos de linguagem para enriquecer a linguagem e ampliar a diversidade entre tópicos e tons.

Por que isso importa (impacto para desenvolvedores/empresas)

Para equipes de desenvolvimento, a estrutura oferece um caminho para equilibrar entrega de notificações relevantes com exposição a uma gama maior de conteúdo e autores. Ao reduzir a redundância, o sistema pode diminuir o cansaço do usuário e a percepção de spam, o que é essencial para a retenção e o engajamento de longo prazo. Ao mesmo tempo, manter métricas de relevância, como CTR, continua possível, permitindo uma experiência de notificações mais variada e significativa. A abordagem também demonstra como uma camada modular de diversidade pode ser integrada a sistemas de ranking baseados em ML. Embora o foco atual seja as notificações do Instagram, o conceito de combinar sinais de similaridade com penalidades multiplicativas pode orientar estratégias de notificação em várias superfícies da plataforma.

Detalhes técnicos ou Implementação (visão geral)

• Classificação base: cada candidato c tem uma pontuação de relevância base R(c) gerada pelos modelos de engajamento existentes.
• Entradas da camada de diversidade: um conjunto de dimensões semânticas é definido (por exemplo, autor, tipo de conteúdo e superfície de produto). Para cada dimensão, um sinal de similaridade p_i(c) é calculado em relação ao histórico H usando uma função de similaridade específica.
• Sinais de similaridade: na linha de base, p_i(c) é binário e vale 1 quando a similaridade excede tau_i.
• Pesos de demissão: cada dimensão possui um peso w_i em [0, 1] que controla o quanto a similaridade reduz o score.
• Cálculo do score final: o score final é o produto de R(c) pela demissão de diversidade D(c), que fica em [0, 1]. O candidato com o maior score final que atende aos critérios de diversidade é selecionado para entrega.
• Implementação prática: a camada de diversidade funciona sobre o framework de ranking existente, permitindo introduzir diversidade de forma controlada sem abandonar sinais de relevância já usados.
• Direções futuras: estratégias de demissão mais dinâmicas podem ser aplicadas conforme o volume e o timing das notificações, e há interesse na potencial integração de modelos de linguagem para enriquecer a linguagem e ampliar a diversidade entre tópicos e tom.

Principais conclusões (takeaways)

• Uma camada de diversidade dedicada pode promover variedade de conteúdos sem sacrificar o engajamento.
• Sinais de similaridade em várias dimensões ajudam a reduzir notificações repetitivas.
• O score final combina relevância base com demissão de diversidade para uma seleção mais rica.
• Resultados iniciais indicam menor volume diário de notificações com CTR estável ou melhorado.
• Futuras melhorias incluem demissão adaptativa e o uso potencial de modelos de linguagem para ampliar diversidade de linguagem e tom.

References

• Meta engineering blog - A new ranking framework for better notification quality on Instagram