Twitter 開源推薦演算法，從中了解社群媒體推送邏輯

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。

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

• 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。

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

社群媒體的演算法邏輯以及該怎麼做？