Meta「機器學習」改進IG每日通知用戶體驗

在過去,Meta使用點擊率(CTR)模型的機器學習模型,來預測用戶點擊通知的可能性。現在,Meta進一步改進Instagram每日通知的用戶體驗,藉由因果推斷和機器學習,來辨識本來就會自動瀏覽Instagram內容的高度活躍使用者,透過減少向這些使用者發送通知的數量,改善整體使用體驗。

Meta以機器學習技術改進IG個人化通知,減少通知量但仍維持用戶參與度。(圖/截取自Meta)

Instagram通知是和使用者溝通的管道,其實Meta在過去Meta是使用點擊率模型的機器學習模型,來預測使用者點擊通知的可能性,CTR模型已經被大量用於社交媒體產業,預測點擊機率可以看作是通知品質,不過,當模型預測點擊機率太低,該通知就會在發送流程中被捨棄,使用者也不會真正收到通知,因為模型認為該通知屬於低品質資訊。

其實,點擊率模型在每日摘要通知上很有用,使用點擊率模型的實際平均點擊,明顯高於不使用該模型的平均點擊率。但是Meta也提到,他們有注意到使用CTR模型,代表大部分的每日摘要通知都是發送給相對活躍的IG使用者,但是對部分活躍使用者來說,即使沒有這些通知,本來就還是會看到這些內容。

因此Meta認為,反而應該提供更好的用戶體驗,但問題是該如何正確辨識出這些用戶的方法,他們希望選擇合適的用戶群組,來最大程度提高發送通知的效率,他們將用戶選擇問題轉變成為預算分配問題,計算發送以及不發送每日摘要通知之間的增量價值,當沒收到通知但用戶依然活躍,則代表該則通知增量價值小。

Meta透過將通知按增量價值排序,選擇增量價值高的通知發送,就可以在有限的通知發送量,最大化整體增量價值,但要在通知發送和丟棄之前,估算增量價值是一件困難的事,因此他們開發出神經網路模型,以用戶的層級來預測發送與不發送通知的增量影響,並設定了一個閾值,當線上生成的通知分數高於特定閾值才會發送。

在採用因果推斷和機器學習改善通知後,Meta大幅減少了IG通知量且用戶參與度並沒有下降,達到同時改善用戶體驗,並減少資源使用的目的。(記者/竹二)

瀏覽 380 次

覺得不錯的話就分享出去吧!

發佈留言

Back to top button