Meta 推出 Your Algorithm 工具，让用户用自然语言定制 Facebook 推荐偏好

Meta Engineering Blog·2026-11-11 01:00· 1 小时前AI 评分62

你的算法：为人们提供更多个性化 Facebook 推荐的方式

AI 导读

Meta 发布 Your Algorithm，一套 AI 驱动的工具，让用户用自然语言编辑影响 Facebook Feed 和 Reels 推荐的兴趣列表，包括 Lately Summary、"Interested In" 和 "Not Interested In" 三个部分。

正文 · 原文

• Your algorithm 是一套 AI 驱动的工具，让 Facebook 推荐更加透明和可控，并以单一可编辑视图呈现影响 Feed 和 Reels 的兴趣。
• 我们将分享 Your algorithm 如何将人们的自然语言偏好转化为响应式推荐，以及 LLM 如何针对系统内的特定任务进行定制。

传统上，Facebook 上人们所见内容背后的推荐系统从隐式互动信号中学习。虽然这使其能够很好地扩展，但也意味着它们适应缓慢且捕捉到的细微差别很少。但如果人们能够直接与对所见内容进行排序和推荐的算法交互，从而即时让自己的推荐更加个性化和定制化，会怎样呢？

Your algorithm 是一个端到端系统，解决了推荐中适应性和细微差别的局限。这套全新的 AI 驱动工具让 Facebook 用户用自己的话说明他们希望在 Feed 和 Reels 中看到什么。通过让一组大型语言模型（LLM）理解、存储和跟踪人们声明的偏好及其用户行为，我们创建了一个能够响应人们偏好并调整其所见内容的推荐系统。

Your Algorithm 系统架构概览

Your algorithm 页面包含三个部分（图 1）： 

• 顶部是一句话的 Lately Summary，描述近期的浏览活动。 
• Below it are two lists: 
  • “Interested In”，预填从过去活动推断出的兴趣。 
  • “Not Interested In”，记录用户明确标记为不感兴趣，或在 Facebook 上点 X 或隐藏的主题。 

人们可以使用该界面添加兴趣（使用自然语言）、在列表之间移动兴趣或移除兴趣。每项更改都会响应式地应用于 Feed 和 Reels，并会随着人们对单条帖子给出反馈而进一步更新。 

Your algorithm 系统包含多个组件，覆盖偏好的完整生命周期，从推断和验证到在排序和投放中应用（图 2）。 

• Profile generation 构建初始兴趣画像。
• Preference management 验证每项更改，用排序所需的信号对其进行丰富，并将其保存到 Feed 和 Reels 共同读取的单一存储中，确保页面上显示的偏好与排序中使用的偏好一致。 
• Ranking 在整个漏斗中应用“Interested In”和“Not Interested In”列表。 
• Delivery optimization 帮助每项更改更响应式地生效。

从偏好到推荐

将用户声明的偏好转化为推荐会带来三个不同的问题。添加到“感兴趣”中的兴趣需要快速提供相关内容，同时不挤占其他所有内容。添加到“不感兴趣”中的兴趣需要可靠地保持生效，即使主题模糊且任何单一过滤器都会漏掉一些匹配项。而且两者都需要响应式地生效，即使下一次推荐在更改之前已被缓存。

你的算法在推荐漏斗的各个环节——从检索到重排再到设备端——用专门的逻辑解决每个问题（图3）。

感兴趣：在不泛滥的情况下呈现新兴趣

“感兴趣”中的每个兴趣驱动四个专门的检索来源。两个直接查找匹配内容（通过搜索和通过紧密相关主题的聚类），另外两个通过内容图和条目到条目的相似性来扩展覆盖范围。为每个兴趣显式检索可确保为下游排序提供足够的相关候选。 

这一点很重要，因为如果没有它，关于全新兴趣的内容可能根本不会进入排序流程。通过相关性检查（将兴趣的含义与每个候选进行比较）的候选会在后期排序中获得提升，以便它们能与其他内容竞争。重排中的控制层随后决定它们出现的位置。

仅响应性本身并不是目标。我们的方法强调平衡而非数量：新兴趣应该出现，而不是占据主导。控制层会间隔同一兴趣的推荐，并限制每个兴趣的每日贡献量。检索每次请求也只为一个兴趣获取候选，因此每个兴趣都有机会。新兴趣在有限时间内获得额外权重。之后，推荐系统会从人们与该内容的互动中学习。

不感兴趣：在每个阶段进行分层过滤

“不感兴趣”中的兴趣会根据不同信号在多个阶段强制执行，以实现高精确率和高召回率。在排序期间，相关性检查中使用的相同基于嵌入的比较会移除与“不感兴趣”中某个兴趣过于接近的候选，降级规则会压低接近匹配的候选。排序后，LLM重排器会审查最终列表。在设备端，下文所述的缓存失效会移除已排队等待显示的匹配候选。

“不感兴趣”中的条目并非都与主题有关。与质量相关的请求，例如减少AI生成或性暗示内容，会映射到专门的降级信号，而不是主题匹配。当请求指定某个创作者时，该创作者的内容会被直接过滤掉。

响应性优化

即使排序已调整为响应偏好，在更改多快地反映到人们看到的内容方面仍有改进空间。新偏好的内容直到下一次获取请求时才会被拾取，而设备上已缓存的内容是在偏好设置之前完成排序的。 

我们增加了两种投递机制来填补这些缺口。当一个新的兴趣被添加到 Interested In 时，系统会在正常抓取周期之外发送一次额外的抓取请求，称为补充尾部加载，以获取新的推荐内容，让匹配的内容快速出现。当一个兴趣被添加到 Not Interested In 时，缓存失效机制会处理在变更之前已排名的候选内容。客户端会获取新兴趣的聚类，并在展示之前丢弃任何与之匹配的缓存内容。

LLM 贯穿偏好生命周期：从画像到最终检查

LLM 在 Your algorithm 中一个偏好的生命周期的多个关键节点发挥作用。它们生成用户首次访问时看到的初始画像，在每次更改时进行验证，并对最终推荐内容对照 Not Interested In 中的兴趣做最后检查（图 2）。每种用途都有其自身的约束，包括延迟、服务容量和安全性，评估它们也需要新的方法。

画像生成提供首次访问的起始内容：推断出的兴趣和 Lately Summary。LLM 将定期刷新的兴趣信号转化为一组带有清晰、可读主题名称的推断兴趣。这些兴趣会预填在 Interested In 列表中，并反映过去在 Facebook Feed 和 Reels 上的观看情况。LLM 还会撰写 Lately Summary，即一句突出持续兴趣的话。两者共同提供了一个可识别、易于查看和纠正的起点。

Your algorithm 页面上的每一次编辑都会经过偏好管理。当添加或移动一个兴趣时，LLM 会检查该短语是否是一个连贯的主题、检测重复项，并将其映射到一个规范的主题名称。此步骤运行在一个更小的模型上，该模型在大规模服务时效率很高。经过验证的兴趣随后会补充排名所需的信号，例如嵌入向量和搜索关键词，并保存到共享的偏好存储中。LLM 只是验证的一层。系统还有一个专门的组件来执行完整性和安全性检查。 

推荐内容完成排名后，LLM 重排会对照 Not Interested In 中的兴趣做最后检查。排名漏斗使用嵌入向量将兴趣与候选内容匹配，速度快但粒度粗。为了捕捉它们遗漏的内容，一个经过微调的 LLM 会审查排名列表，并移除它判断为与最近添加到 Not Interested In 的兴趣相关的内容。一个关键洞察是，一个经过微调、只返回需要移除项的小模型，比一个逐项判断的通用模型更快、更可靠。

评估这些 LLM 调用需要专门的方法。标准的离线指标无法判断 Lately Summary 是否准确，也无法判断重排器是否移除了正确的候选内容，因此由另一个 LLM 充当评判者，根据预期行为对每次调用的输出进行评分。这提供了一种客观、可重复的方式，在上线前比较提示词和模型。

Your algorithm 的未来

你的算法打造了更透明、更个性化的推荐体验，同时参考行为与明确意图。但仍有一些重要机会，例如更好地解读模糊输入，并让推荐对每个请求的响应更加精准。我们也在探索更多入口，让偏好可以从更多地方塑造。

致谢

本工作体现了 Meta 跨职能 v-team 的关键贡献（按字母顺序）：

Adi Gupta, Aryan Porwal, Bernabe Soto, Chao Yang, Chen Chen, Chen Kovacs, Chengxi Li, Chih-Wei Chang, Clare Yip, Cuong Nguyen, Dahni Ma, Daniel Thiyagu, Danny Kanoff, David Yuan, Devin Ding, Devon Pan, Eric Landgrebe, Feng Zhang, George Lu, Grace Yang, Hai-Son Dang, Haisen Hong, Hongyi Shi, Hongyi Wu, Howard Lu, Huijun Qian, Igor Vodov, Iordanis Fostiropoulos, Jakara Mato, Jasmine Neisser, Jason Liu, Jason Song, Jean-Pascal Billaud, Jeffrey Lin, Jeffrey Santelli, Jian Chen, Jianyu Wang, Jiaye Pan, Jinho Hwang, Joe Sena, Jordan Reich, Kanghua Wu, Khoi Pham, Kim Trang Leaf, Kris Katsanevas, Kuo-Feng Hsu, Kushal Adhvaryu, Liyu Wang, Manish Khettry, Matthew Miao, Mayoor Rai, Momo Jiao, Nakul Tirumalai, Patrick Boocock, Patrick Cullen, Qi Guo, Qichao Que, Queenie Li, Ratish Nair, Sanyogeeta Lawande, Satvik Eltepu, Sean Chen, Shijie Xie, Shuai Zhang, Shuoyan Yin, Smruthi Gowtham, Tsung-Yi Huang, Tyler Pell, Wanting Jiang, Wanyu Li, Weiwei Jiang, Xiangyu Xu, Xin Wang, Xinyang Feng, Yanchen Wang, Yibo Zhu, Yihao Li, Yihui Saw, Yinjie Huang, Yu-Wei Wu, Yuchen Shao, Yue Wang, Yue Zhang, Yuhan Yang, Yuqi Shen, Zhen Hang Jiang, Zhiyu Liu, Zhongwei Teng, Zijiang Yang, Zoe Zu

我们还要感谢以下领导者的赞助和大力支持（按字母顺序）： 

Ashish Gandhe, Helen Kong, Hongjie Bai, Meng Wu, Yaping Zhang, Yisong Song, Zellux Wang, Zhe Wang

文章 你的算法：为人们提供更多个性化 Facebook 推荐的方式 首次出现在 Engineering at Meta。

来源：Meta Engineering Blog · engineering.fb.com