Модель ранжирования ленты не знает, что сделает читатель. Она оценивает возможные реакции на каждый пост-кандидат, опираясь на доступную ей информацию. Эти оценки помогают упорядочить ленту, но они не формула вирусности.
В публичном обзоре «For You» соцсети X Phoenix читает недавнюю историю вовлечённости зрителя и предсказывает, насколько вероятно, что он совершит те или иные действия с постом. Система объединяет предсказания в итоговую оценку, а на окончательный отбор влияют и другие этапы.
Один пост, два читателя
Возьмём заведомо гипотетический пример. Пост подробно разбирает инцидент с безопасностью. Читатель А регулярно взаимодействует с техническими расследованиями, читатель Б — с короткими рыночными сводками. Модель может оценить вероятность ответа или лайка для одного и того же поста по-разному для этих двух читателей.
В этом примере никакие вероятности не измерялись. Он не описывает реальные параметры X, этих читателей или тест платформы. Его смысл прост: предсказание зависит не только от кандидата, но и от читателя. Единой универсальной оценки релевантности, привязанной к посту, может и не быть.
Несколько предсказаний, а не одна реакция
В документации модели Phoenix описаны одновременные предсказания для нескольких видов вовлечённости, а также непрерывные показатели, например время просмотра. В обзоре репозитория объясняется, что веса масштабируют предсказанные вероятности или предсказанные непрерывные значения. Они не превращают прошлые реакции в фиксированные баллы, начисляемые посту.
Эту разницу легко упустить. Модель может предсказать, что человек скорее ответит, чем пожалуется, хотя ни одно из этих действий не произошло. Предсказания — это оценки, а не наблюдения за будущим поведением человека. В предыдущей статье серии разобраны опубликованные коэффициенты; повторять их здесь значило бы не объяснить, как работает персонализация.
Чего оценки не расскажут автору
Оценка ранжирования — это ещё не итоговая лента. Кандидаты проходят также фильтры и другие этапы отбора. И автор не может по одному исходу понять, какое предсказание, какая настройка или какое ограничение его вызвало. Пост может быть значим для читателя, который не совершает видимых действий, а видимые реакции сами по себе не показывают, что думает каждый читатель.
В опубликованной документации по обучению сказано, что предобученный чекпойнт не включён. Исходный код может показать устройство модели, но без реальной обученной модели и производственного контекста он не скажет, каким будет живое предсказание для конкретного читателя и поста.
Поэтому практический вопрос — редакторский: что делает объяснение полезным для людей, которым оно адресовано? Ясные доказательства и уместный пример облегчают оценку поста. Это совет о работе, а не утверждение, что какая-то формулировка запустит распространение.
Этот анализ использует зафиксированный снимок публичного кода и касается изученного маршрута «For You». Производственные настройки и эксперименты могут отличаться; иллюстрация персонализации — не измеренный результат.










