當朋友圈更新多到看不完時，來看看Facebook是怎麼優化資訊流的

所謂新聞流排序(news feed ranking)，指的是 Facebook 的一項看家本領：用戶每天會收到兩三千條新鮮事，卻只會閱讀前 50 至

100 條。利用機器學習將使用者最想看的內容排到最前面，從而提高粘性和日活。

這固然是一篇著重技術的文章，所在公司Facebook 更是世界上最大的互聯網公司之一。但這並不妨礙創業者從中得到經驗。利用 A/B

測試作為反覆運算方法，借助 Growth Hacking

的核心——資料來驅動開發，新員工的入職宣講……這些做法都體現了這位社交之王不同維度的文化所在：精神層面注重實現夢想，統一目標;而這一目標下放到微觀層面，就是對於資料的尊重。

Facebook利用Sigma 系統做了什麼?

我第一次去Facebook工作的時候，當時專注於用戶增長的VP 負責宣講。他說將來全球所有人都會使用

Facebook，這家公司將來會成為萬億美元的公司，這讓我印象很深刻。公司的所有人都很興奮，對設定的目標有非常大的信心。他們的工作使命感非常強，非常專注。

這是Facebook給我印象深刻的一件事。

在 Facebook 的 site-integrity (網站完整性) 組工作了兩年。當時 Facebook

有很多的垃圾私信、垃圾資訊，就像人人、微博上有各種廣告、垃圾連結。有些用戶的帳號被盜用了，會使用個人頁面發送垃圾短信、廣告、病毒，還有一些不受歡迎的朋友請求。我會處理所有類似這些涉及到影響用戶體驗的東西。

Facebook 使用了一個叫做 sigma 的系統來抵制這些垃圾資訊。這個系統安裝在 2000 多台機器上面，Facebook

使用者做的任何事情，都會經過 sigma 系統分析處理，比如評論、連結、朋友請求，都會被這個系統進行判斷，是正常行為、濫用行為還是有問題的行為。

利用 Sigma 系統，Facebook 會對垃圾信息進行過濾和清理。

舉個例子說，比如發送朋友請求，Facebook

的系統會自動判斷一下：如果這個人的朋友請求都被別人拒絕了，他再發送朋友請求是不會被批准的。如果一個人發送的朋友請求十個有九個都被拒絕了，那麼他下一次的朋友請求就會被系統拒絕。

當然這個系統還有其他的判斷信號。

它是一個機器學習系統，通過你之前發的朋友請求拒絕概率高低來判斷你被拒絕的概率有多高。

如果這個比率很高，Facebook

會讓你進行手機短信或其他方式認證，來驗證是軟體還是真人發送的，以此判斷你是不是真的要發送朋友請求，比如你發出的朋友請求物件與你沒有任何共同好友，那就可能是一個不合理的請求。

基本上，你在 Facebook 上做的任何事情，都會經過這個系統來分析、預測、決定是否允許你發出資訊，借此希望會減少生態圈中的騷擾行為。當時

Facebook 每天有上百億次的資訊發生要通過這個系統進行判斷。

機器學習是Sigma 系統的核心

Sigma

系統中有些是人為規則也有機器演算法，請求通過和拒絕就是一個迅捷資料組(Scrum)。任務通過，則說明這個任務是一個對機器學習來說的正樣本，被拒絕則是一個負樣本，很像

0 和 1。

比如發送朋友請求如果被接受，y 值是 1，如果被拒絕就是 0。如果是評論和點贊，系統就能尋找 y 值，使用者發送的不當資訊就會被刪除。

而機器學習是整個 Sigma 系統的核心。

另外一個方法是通過一些異常行為的分析、資料採擷的方法來分析用戶的異常行為。

比如一個人發的同樣類型評論非常多，所有評論裡都有一個相似連結，這就非常有問題。正常操作不會在不同人的主頁上留同樣的評論，這顯然屬於異常行為，我們不會允許。

新聞流是Facebook最重要的產品

我工作兩年之後選擇去了這個組。

“排序” 指的是資訊流的順序。它決定了打開你的 Facebook

朋友圈，你的資訊流是個什麼樣子，資訊的位置。每個人產生的內容、新聞會有兩三千個，用戶只能看到 50-100

個。你需要把兩三千個最好地展示出來。有些我們不給使用者顯示，比如你喜歡遊戲，你的朋友不喜歡。

我 2012 年剛去的時候，新聞流排序組只有五六個人，儘管這可能是公司最大的機器學習系統，最核心的產品。每天有十億多人上線，每個用戶花 40 分鐘在

Facebook 上，其中一半時間都花在新聞流上。Facebook 大部分收入來自新聞流廣告。比如說，移動廣告收入占所有廣告的

70%，而其中所有的移動的廣告都來自新聞流。不管是從用戶的停留時間，還是收入來說，新聞流都是最重要的產品。

新聞流是 Facebook 最重要的產品，直接決定了使用者所看到的內容。

做好新聞流排序是很難的問題，因為用戶在新聞流上的行為有很多種，不只是傳統廣告點擊或者不點擊這一種操作，用戶可以在新聞流裡贊、評論、分享或者隱藏這個新聞流，也可以播放視頻。我需要理解使用者喜歡什麼東西，評論、分享什麼東西，想看什麼樣的視頻。理解使用者的興趣所在，根據我們的訊息把最好的東西放在新聞流的最前面。

以國內的社交媒體作對比來說，微信的朋友圈是所有內容全部顯示，它不需要排序，是因為朋友圈容量不是特別多，大家可以看完所有的內容。朋友越來越多的話，沒有時間把分享看完，排序是必然的事情。你會很容易漏掉很重要人的圖片，它們迅速埋沒在大部分你不感興趣的內容了。

Facebook

之前也是全部顯示，慢慢到後來使用者是看不完所有的資訊的。如果不做排序，把最好的服務挑出來的話，使用者不會願意訪問新聞流，因為他看到很多不感興趣的東西，感興趣的部分他已經沒有時間找出來了。從不排序到排序是必然的過程，你的朋友越來越多，公眾頁面越來越多，排序是必然的。

社交媒體的碎片化已成事實。只有採取更好的排序手段，推送給使用者更精准的內容，才能提高平臺停留時間，加強粘性。

新聞流排序的工作原理是什麼?

基本上，新聞流是從兩三千條內容裡面，挑出了 四五十

個。按照每個內容打分，分高的內容排在最前面。每個內容、照片、分享或者狀態，我們會預測一些概率值，比如你點贊的概率，評論、分享的概率。每個用戶的行為，比如點贊、分享、評論，系統都會給權值。評這些使用者行為概率是通過機器學習來系統計算的。如果使用者對某個內容點贊、評論或者分享，說明使用者願意看到這個內容，對內容產生了回饋。

舉個例子來說，比如你是我的好友，你上傳了 100 張照片，我點贊了 20 次，那麼點贊概率就是

20%。我們知道每個使用者以前對哪些內容點贊、評論，這些都是我們的訓練樣本。我們通過學習用戶的歷史行為，進行相同類型、相同個人的未來行為預測，因為用戶短期行為不會大幅變化，過去對哪些東西進行評論，將來也很有可能對相似內容進行評論。

對使用者內容的預測

很多人關心，是否可以針對使用者內容來進行預測?比如分析使用者發了什麼樣的文字或者圖片?這是可以的。如果是圖片我們可以抽取圖片特點，對圖片進行模式識別，分析圖片的主題，打上相應的標籤，用機器來識別這些圖片。現在在做相應的工作。Facebook

有 AI 實驗室，可以對圖片進行內容識別。

那麼，Facebook 該如何檢測這套演算法的有效性呢?該如何進行更新反覆運算?

其實，這可以通過 A/B 測試來實現。我們會抽取 1%

使用者進行新的演算法，1%進行舊的演算法。如果新的演算法下使用者每天點贊、評論或者分享次數增長了，那說明新的演算法更好。我們就把新的演算法發佈給所有的使用者。我們主要的核心目標是：讓日活躍用戶更多，停留時間更長，訪問

Facebook 更頻繁。

A/B 測試是很好的反覆運算方法。建立起核心指標，進行 A/B測試，看新的改動能否提高核心指標，提高就發佈，沒有提高就不用發佈。這很像 Growth

hacking，當然最終目的還是提高 DAU。如果用戶喜歡你的新聞流，就會更頻繁訪問，最終目的還是線上時長和日活躍用戶。

A/B 測試是 Facebook 用來測試反覆運算可行性的手段，目前峰瑞資本所投資的吆喝科技，想讓初創企業也能使用到這一技術。

“我已經沒法看完所有朋友圈的內容”

Facebook 的內容置頂功能會把你沒有看完的東西再放到上面去再次推送給你。

微信是知道哪些內容你沒看過的，我有很多在美國的朋友，朋友圈會有很多內容，上班前看不完只看了一部分。再刷新的時候就已經沒有新的東西出來了，我也沒有關心沒看完的東西，朋友發的照片。Facebook

的 “內容置頂” 把很重要的、還沒看的、有點舊的內容放在朋友圈前面，讓你再看一眼，怕你漏掉重要的內容。

在九月份的時候我加入神州專車擔任 CTO，從事業角度來說，我希望把從 Facebook

學到的公司文化、技術帶回中國。中國在電腦行業上有很大的潛力。現在國內的產品品質上和美國產品已經相當了，比如微信，Facebook

的產品經理也學習了微信裡面的功能。再往後面看幾年的話，中國有機會趕上美國。

電腦學科已經成熟，創造力在慢慢變好。很多初創企業嘗試不同的想法，中國的創業者是美國的好多倍，都在嘗試不同的想法，會誕生出成功的公司。技術上，中國正在逼近美國，甚至會超越美國。長遠來看，中國的電腦行業、互聯網行業，應該是有潛力成為世界上互聯網行業最好的國家。