付費限定
Twitter 開源推薦演算法，從中了解社群媒體推送邏輯
閱讀時間約 7 分鐘
Musk 接手Twitter後的一大工程，就是要把推特的演算法開源，讓Twitter成為更公開透明的社群媒體，並能讓大眾檢視、糾錯。
當然Musk也知道風險就是更透明的演算法，會讓更多人更容易針對推薦算法優化甚至濫用。但這會是一個動態的過程，馬斯克覺得試誤的價值是很高的。
另一個優點就是，開源就有開源社群免費幫你工作，省了一大筆錢（咦，這他沒說是我說的）
他還有開一個聊天室給大家算法公開的QA，你在Twitter上搜 Twitter Algorithm也有很多討論。
我們可以從Twitter最新的Blog抓取一些重點，快速了解一下他們推薦哪些貼文運用的邏輯有哪些：
Twitter 的推薦演算法運作
推特有幾個候選源，我們使用這些候選源為用戶檢索最近和相關的推文。對於每個請求，我們通過這些來源嘗試從數億條推文中提取最佳的 1500 條。我們從您關注的人（In-Network）和未關注的人（Out-of-Network）中尋找候選人。今天，For You 時間軸平均由 50％ 的 In-Network 推文和 50％ 的 Out-of-Network 推文組成，但這可能因用戶而異。
在你關注的人中，你們的預測互動概率 Real Graph 分數越高，越會出現在 For You 推文裡。
至於那些你根本沒關注的人，Twitter 採取了兩種方法解決如何了解是否與你相關這個問題。
Social Graph
第一個方法是通過分析您關注的人，或具有相似興趣的人的互動來估計您會認為哪些推文是相關的。
我們會全面掃描互動和關注圖譜來回答以下問題：
- 我關注的人最近參與了哪些推文？
- 誰喜歡和我類似的推文，他們最近還喜歡了什麼？
Embedding Spaces
嵌入空間 Embedding Spaces 方法旨在回答關於內容相似性的更一般性問題：哪些推文和用戶和我的興趣相似？
嵌入空間會給予用戶興趣和推文內容分數，用來計算 Embedding Spaces 中任意兩個用戶和推文之間的相似性，Twitter中最有用的嵌入空間就是 SimCluster，SimCluster 發現由一群有影響力的用戶組成的communities。每三週更新一次，Twitter 共有 14.5萬個communities。
每個用戶和推文可以屬於多個communities，上面這個圖就是最大的幾個社群，包含新聞、足球、流行明星等。通過查看推文在每個社群中的當下熱度，將推文嵌入這些社群中，來自同社群的用戶越喜歡，這個推文就會跟那個社群更相關。
這也是為什麼追熱點的貼文越容易爆，因為這是當下同社群共同關注有興趣的焦點。
排序 Ranking
至於要如何排序誰出現在你的 Timeline 動態牆前面，他們會有1500個推文作為候選，排序會通過4800萬參數的神經網絡不斷在推文互動上訓練優化，並輸出十個標籤為每個推文打分，每個標籤代表參與的概率，根據這些分數來進行排序。
在排序階段後，我們應用啟發式和過濾器來實現各種產品特點。這些特點共同作用，創建一個平衡和多樣化的推文流。一些例子包括：
- 能見度過濾器：根據您的偏好過濾推文。例如，刪除您block或mute帳戶的推文。
- 作者多樣性：避免太多連續來自同一作者的推文。
- 內容平衡：確保提供平衡的 In-Network 和 Out-of-Network 推文。
- 基於回饋的疲勞：如果觀看者對某些推文提供了負面回饋，則降低其分數。
- 社交證據：排除沒有與推文的第二度連接的 Out-of-Network 推文作為品質的保障。換句話說，確保您關注的某個人，參與了該推文或關注了該推文的作者。
- 對話：把原始推文與回覆的推文串串在一起，提供更多上下文Context。
作為過程的最後一步，系統將推文與其他非推文內容（例如廣告、關注建議和入門提示）混合在一起，並返回您的設備以顯示。
下面這一整個大表，是貼文排序的加權分數
有利觸及的貼文訊號
- 點擊推文愛心表示 favorite 喜歡 30X boost
- 轉推 retweet 20X boost
- 每個推文回覆只有 1X
- 推文有圖 2X boost
- 推文有影片 2X boost
- 在信任圈 Trusted Circle 3X
- 點擊進入推文，並在那停留至少2分鐘
- 用戶打開推文作者個人資料頁面並互動喜歡或回覆推文
- 回覆推文並被推文作者互動
- 當然還有Musk的賺錢手法之一，付費藍勾，如果是你關注又有藍勾的 4X boost，沒關注的藍勾 2X boost
不利觸及的貼文訊號
- 非新聞媒體的外連連結 URL 對觸及不佳，除非有高互動，如果沒有高互動會被視為spam降觸及權重
- 有外連 URL 沒有文字，失敗中的失敗
- 如果出現大量unfollowed，你會自然被算法隱形
- 沒收功就罵髒話，講冒犯的話 0.1X
- 負面回饋：顯示較少、屏蔽、靜音、濫用和Spam舉報
- 用太多hashtag 0.6X
- 寫錯字或是創造字電腦認不出來 0.01X
- 推文是英文，但是UI語言不是英文 0.7X
- UI語言是英文，但推文不是 0.3X
- 用戶語言和推文語言不同，兩者都不是英文 0.1X
有一些議題或是標注後是會被降權重的，除了一些18禁、仇恨言論、暴力還有假訊息外，連烏克蘭危機議題也被降權。
社群媒體的演算法邏輯以及該怎麼做？
以行動支持創作者！付費即可解鎖
本篇內容共 3056 字、0
則留言，僅發佈於IEO 國際財經科技前沿觀察你目前無法檢視以下內容，可能因為尚未登入，或沒有該房間的查看權限。
9.1K會員
247內容數
每天閱讀大量資訊的 IEObserve 國際經濟觀察，為你介紹最新的國際財經、政治與科技趨勢潮流和商業分析，從資本市場國際股市切入，介紹與分析影響世界的巨無霸公司，以及哪些成長飛速的新創與高成長公司，正在悄悄改變世界。適合想獲取最新世界不同產業趨勢與經濟變化相關資訊的好學者。
留言0
查看全部
你可能也想看
Google News 追蹤
徵的就是你 🫵 超ㄅㄧㄤˋ 獎品搭配超瞎趴的四大主題，等你踹共啦！還有機會獲得經典的「偉士牌樂高」喔！馬上來參加本次的活動吧！
隨著理財資訊的普及，越來越多台灣人不再將資產侷限於台股，而是將視野拓展到國際市場。特別是美國市場，其豐富的理財選擇，讓不少人開始思考將資金配置於海外市場的可能性。
然而，要參與美國市場並不只是盲目跟隨標的這麼簡單，而是需要策略和方式，尤其對新手而言，除了選股以外還會遇到語言、開戶流程、Ap
在現今的數據驅動世界，推薦系統早已成為許多平台（如電商、串流媒體、社交網路）不可或缺的一部分。然而，傳統的推薦方法如協同過濾（Collaborative Filtering）和基於內容過濾（Content-Based Filtering）各有其局限性，例如無法處理冷啟動問題或缺乏靈活性。最近
關於流量這些拙見部分是發表在自己的Threads。
1.按讚自己感興趣的發文，追蹤喜歡的脆友，形成自己想要的脆生態圈。
2.發文若有很多人留言、轉發，則能進而達到推播成為瀏覽率、流量等。
我覺得Threads的演算法有點類似臉書社團，畢竟都是隸屬META，每個人都像是單人社團，當A脆友在B脆友的
世界首富馬斯克在建立「超級工廠」時所歸納出來的五點「演算法」：
「 1. 質疑每一項規定
2.刪除不必要的流程
3.簡化（或優化）必要的流程
4.加速規模化
5.自動化」- Elon Musk
馬斯克特別強調順序很重要，如果在沒有刪除不必要的流程之前就進行簡化
社群媒體會導致「過濾氣泡」和「同溫層效應」。也就是說，這只會讓用戶只看到符合其既有觀點和興趣的內容，從而錯過多樣化的信息。
如果要做出更妥善的市場判斷，除了需要在即時的數據和長期的品牌價值之間找到平衡，也要提醒大家要及時『抽身』回到真實的世界中，才能避免陷入數據迷戀和演算法偏見。
最近我人都泡在Threads上做社會觀察。
脆的演算法實在是太特別...
在社群平台的追蹤、不追蹤，是關鍵於是否在平台上，有相對的影響力與被影響力，因此了解追蹤與被追蹤的關係，是很有意思且重要的。
在Threads我做了一項投票，命題〔為何不追蹤我的原因〕。
選項為1.不想 2.不知道3.沒看到4.其他。
投票結果：3.沒看到約占91%；2.不知道約占9%，因此追蹤
在社群平臺上，一切的可見度都受到演算法控制，想要增加曝光就必須深入瞭解演算法的運作方式。本篇文章將透過說明演算法的運作方式以及狙擊演算法的第一步：HOOK來提供一些策略，協助創作者應對平臺演算法的變化。
「 1. 質疑每一項規定
2.刪除不必要的流程
3.簡化（或優化）必要的流程
4.加速規模化
5.自動化」- Elon Musk
這五點是馬斯克在建立「超級工廠」時所歸納出來的「演算法」，而且這五點的順序很重要。。。
本文探討了監督式學習、分群和相似度這幾個推薦系統算法，分別討論了它們的優點、缺點以及適用場景。這些算法在推薦系統中扮演著重要角色，並透過特徵選擇與預處理、相似度度量和鄰居的選擇等關鍵因素進行深入分析。文章最後提出在選擇推薦系統算法時應該考慮的因素，以及未來的研究方向。
推特作為主要分享新聞和最新消息的社交平台，廣受全球用戶歡迎，每天有超過數億以上的活躍用戶在此互動。然而，吸引粉絲卻是一項具有挑戰性的任務。即便付出數天甚至數月的心血去製作內容，有時仍難以引起受眾的關注，這樣的情況可能令人感到沮喪。因此，有人可能會考慮採用更迅速的方式，例如推特買粉絲。
徵的就是你 🫵 超ㄅㄧㄤˋ 獎品搭配超瞎趴的四大主題，等你踹共啦！還有機會獲得經典的「偉士牌樂高」喔！馬上來參加本次的活動吧！
隨著理財資訊的普及，越來越多台灣人不再將資產侷限於台股，而是將視野拓展到國際市場。特別是美國市場，其豐富的理財選擇，讓不少人開始思考將資金配置於海外市場的可能性。
然而，要參與美國市場並不只是盲目跟隨標的這麼簡單，而是需要策略和方式，尤其對新手而言，除了選股以外還會遇到語言、開戶流程、Ap
在現今的數據驅動世界，推薦系統早已成為許多平台（如電商、串流媒體、社交網路）不可或缺的一部分。然而，傳統的推薦方法如協同過濾（Collaborative Filtering）和基於內容過濾（Content-Based Filtering）各有其局限性，例如無法處理冷啟動問題或缺乏靈活性。最近
關於流量這些拙見部分是發表在自己的Threads。
1.按讚自己感興趣的發文，追蹤喜歡的脆友，形成自己想要的脆生態圈。
2.發文若有很多人留言、轉發，則能進而達到推播成為瀏覽率、流量等。
我覺得Threads的演算法有點類似臉書社團，畢竟都是隸屬META，每個人都像是單人社團，當A脆友在B脆友的
世界首富馬斯克在建立「超級工廠」時所歸納出來的五點「演算法」：
「 1. 質疑每一項規定
2.刪除不必要的流程
3.簡化（或優化）必要的流程
4.加速規模化
5.自動化」- Elon Musk
馬斯克特別強調順序很重要，如果在沒有刪除不必要的流程之前就進行簡化
社群媒體會導致「過濾氣泡」和「同溫層效應」。也就是說，這只會讓用戶只看到符合其既有觀點和興趣的內容，從而錯過多樣化的信息。
如果要做出更妥善的市場判斷，除了需要在即時的數據和長期的品牌價值之間找到平衡，也要提醒大家要及時『抽身』回到真實的世界中，才能避免陷入數據迷戀和演算法偏見。
最近我人都泡在Threads上做社會觀察。
脆的演算法實在是太特別...
在社群平台的追蹤、不追蹤，是關鍵於是否在平台上，有相對的影響力與被影響力，因此了解追蹤與被追蹤的關係，是很有意思且重要的。
在Threads我做了一項投票，命題〔為何不追蹤我的原因〕。
選項為1.不想 2.不知道3.沒看到4.其他。
投票結果：3.沒看到約占91%；2.不知道約占9%，因此追蹤
在社群平臺上，一切的可見度都受到演算法控制，想要增加曝光就必須深入瞭解演算法的運作方式。本篇文章將透過說明演算法的運作方式以及狙擊演算法的第一步：HOOK來提供一些策略，協助創作者應對平臺演算法的變化。
「 1. 質疑每一項規定
2.刪除不必要的流程
3.簡化（或優化）必要的流程
4.加速規模化
5.自動化」- Elon Musk
這五點是馬斯克在建立「超級工廠」時所歸納出來的「演算法」，而且這五點的順序很重要。。。
本文探討了監督式學習、分群和相似度這幾個推薦系統算法，分別討論了它們的優點、缺點以及適用場景。這些算法在推薦系統中扮演著重要角色，並透過特徵選擇與預處理、相似度度量和鄰居的選擇等關鍵因素進行深入分析。文章最後提出在選擇推薦系統算法時應該考慮的因素，以及未來的研究方向。
推特作為主要分享新聞和最新消息的社交平台，廣受全球用戶歡迎，每天有超過數億以上的活躍用戶在此互動。然而，吸引粉絲卻是一項具有挑戰性的任務。即便付出數天甚至數月的心血去製作內容，有時仍難以引起受眾的關注，這樣的情況可能令人感到沮喪。因此，有人可能會考慮採用更迅速的方式，例如推特買粉絲。