Meta運用機器學習技術,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內容的高度活躍用戶,透過減少向這些用戶發送通知的數量,改善整體用戶體驗。
Instagram通知是和用戶溝通的管道,Meta過去就已經運用統計與機器學習技術,來個人化通知訊息,Instagram的每日摘要推送通知,會列出可供用戶查看的故事摘要,這類通知發送到用戶裝置時,用戶便可能點擊通知查看這些內容。
在過去上,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。CTR模型已經被大量用於社交媒體產業,預測點擊機率可看作是通知品質,當模型預測點擊機率太低,該通知就會在發送流程中被丟棄,用戶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。
事實上點擊率模型在每日摘要通知上非常有用,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提到,他們注意到使用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Instagram用戶,但是對部分活躍用戶來說,即便沒有收到這些摘要通知,他們本來就還是會看到這些內容。
Meta認為,對這些活躍用戶發送更少的通知,反而是提供更好的用戶體驗。但具有挑戰性的部分是正確辨識出這些用戶的方法,因為直接減少這類通知,可能使這些用戶變得不那麼活躍,如果無法正確選擇合適的用戶,這樣的行動可能導致用戶參與度下降。
Meta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,對於這個問題,Meta假設每封每日摘要通知都有固定的成本,這些通知擁有一個總預算,也就是總通知發送量,Meta提到,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,就可以在有限預算,也就是有限的通知發送量,最大化整體增量價值,但官方提到,要在通知發送和丟棄之前,估算增量價值是一件困難的事。
他們進行了一個隨機實驗來收集資料,並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,但是因為所有通知都是線上生成並且進行評分,Meta無法提前替所有候選通知進行增量估算並排序,所以他們設定了一個閾值,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Instagram通知量,並且用戶參與度並沒有下降,達到同時改善用戶體驗,並且減少資源使用的目的。
熱門新聞
2024-12-03
2024-11-29
2024-12-02
2024-12-02
2024-12-03