30.01.2021 News Feed

Facebook: Wie maschinelles Lernen den News-Feed-Algorithmus von Facebook antreibt

Jeder der sich mit Facebook etwas näher beschäftigt weiss, dass ein Algorithmus im Einsatz ist, der Beiträge im News-Feed reiht. In der Praxis wird häufig versucht den News-Feed-Algorithmus zu umgehen. Warum dies nicht den gewünschten Erfolg bringt, wird nachfolgend erläutert.

Michaela Gahbauer
7 Min. Lesezeit
1 Kommentar

Bestimmt ist schon mal die Frage aufgekommen, wie der News-Feed-Algorithmus von Facebook entscheidet, welche Beiträge einer Person angezeigt werden. Die meisten Menschen verstehen, dass ein Algorithmus am Werk ist und viele kennen einige der Faktoren, die diesen Algorithmus mit Daten versorgen (Like eines Beitrags, etc.). Es kursieren sehr viele Theorien und Mythen und es gibt immer noch eine ganze Menge, was missverstanden wird. Aus diesem Grund hat die Tech-Website des sozialen Netzwerks kürzlich etwas Licht in diese Angelegenheit gebracht.

News-Feed-Algorithmus

Es ist allgemein bekannt, dass ein Algorithmus am Werk ist, um Beiträge im News-Feed zu priorisieren und anhand der persönlichen Interessen darzustellen. Facebook veröffentlicht dazu auch immer wieder viele Details zu Funktionen und Faktoren, die diesen Algorithmus füttern (wie zum Beispiel Signale zu Beiträgen, mit denen interagiert wird oder persönliche Verbindungen zu Menschen oder Seiten), und doch existieren noch viele Mythen, Theorien und Versuche, den News-Feed-Algorithmus zu umgehen und so mehr organische Reichweite zu erhalten. Warum diese versuchte Beeinflussung wenig Sinn macht, zeigt Facebook anhand neuer veröffentlichter Details. Wie ein komplexes maschinelles Lernsystem (ML) den News-Feed antreibt, wie das Ranking-System funktioniert und welche Herausforderungen es mit sich bringt, ein System zu bauen, das die Inhalte für mehr als 2 Milliarden Menschen personalisiert und jedem von ihnen Inhalte zeigt, die für sie relevant und sinnvoll sind, jedes Mal wenn sie Facebook besuchen.

Worin liegt die Schwierigkeit der News-Feed-Personalisierung?

Erstens, das Volumen ist enorm. Mehr als 2 Milliarden Menschen auf der ganzen Welt nutzen Facebook. Für jede dieser Personen gibt es mehr als tausend mögliche Posts, die potentiell im Feed dieser Person erscheinen könnten. In Summe sind es also Billionen von Beiträgen für alle Personen auf Facebook. Konkret sind für jede Person auf Facebook Tausende von Signale vorhanden, die von Facebook ausgewertet werden müssen, um festzustellen, was für diese Person am relevantesten sein könnte. Facebook hat also Billionen von Beiträgen und Tausende von Signalen zur Verfügung und muss sofort vorhersagen, was jede diese Person in ihrem Feed sehen möchte. Wenn Facebook geöffnet wird, läuft dieser Prozess im Hintergrund ab, und zwar in den Sekunden, die es dauert, bis der News-Feed geladen ist. Da Facebook mit den Algorithmen gegen Clickbaiting und der Verbreitung von Fehlinformationen ankämpfen, besteht das Ranking-System in Wirklichkeit nicht nur aus einem einzigen Algorithmus, sondern aus mehreren Schichten von ML-Modellen und Rankings, die angewendet werden, um die für jede Person relevantesten und sinnvollsten Inhalte vorherzusagen.

Wie funktioniert der Prozess?

Vereinfacht ausgedrückt bestimmt das System, welche Beiträge in dem News-Feed angezeigt werden und in welcher Reihenfolge, in dem es vorhersagt, wofür sich die Person am ehesten interessiert oder womit sie am ehesten interagiert. Diese Vorhersagen basieren auf einer Vielzahl von Aktoren, einschliesslich dessen, wem die Person in letzter Zeit gefolgt ist, was sie geliked hat oder mit welchen Posts sie interagiert hat.

Das nachfolgende fiktive Beispiel soll veranschaulichen, wie dies in der Praxis funktioniert, sobald sich Michaela bei Facebook anmeldet.

Seit der gestrigen Anmeldung von Michaela hat ihr Freund A ein Foto von einem süssen Koala gepostet, Freund B postet ein Video von seiner Winterwanderung und die Lieblingsseite von Michaela veröffentlichte einen interessanten Artikel über reisen in Corona-Zeiten, während ihre Lieblingsgruppe fünf neue Wohnungsinserate veröffentlichte. Zusammengefasst sind diese Inhalte wahrscheinlich alle relevant für Michaela, da sie entschieden hat ihren Freunden oder Seiten zu folgen. Um zu entscheiden, welche dieser Inhalte tatsächlich in ihrem News-Feed weiter oben erscheinen sollten, muss Facebook vorhersagen, was für Michaela am wichtigsten ist und welche Inhalte den höchsten Wert für sie haben. Mathematisch ausgedrückt, wird eine Zielfunktion für Michaela definiert.

Anhand der Eigenschaft eines Posts, wie z.B. wer auf einem Foto markiert ist und wann es gepostet wurde, kann Facebook vorhersagen, ob der jeweilige Inhalt Michaela gefallen könnte. Wenn Michaela z.B. dazu neigt, häufig mit den Posts von Freund B zu interagieren (z.B. teilen oder kommentieren) und sein Video von der Winterwanderung sehr aktuell ist, besteht eine hohe Wahrscheinlichkeit, dass Michaela das Posting von Freund B mögen wird. Wenn Michaela in der Vergangenheit mehr mit Videoinhalten als mit Fotos interagiert hat, könnte die Like-Vorhersage für das Koala-Foto von Freund A ziemlich niedrig sein. In diesem Fall würde der Facebook Algorithmus das Video der Winterwanderung von Freund B höher einstufen als das Koala-Foto von Freund A, da es eine höhere Wahrscheinlichkeit hat, dass es Michaela gefallen würde.

Liken ist nicht die einzige Art und Weise, wie Menschen ihre Vorlieben auf Facebook ausdrücken. Jeden Tag teilen Menschen Content, den sie interessant finden, sehen sich Videos von Personen an, denen sie folgen oder hinterlassen aufmerksame Kommentare zu den Beiträgen ihrer Freunde. Mathematisch gesehen werden die Dinge komplexer, wenn Facebook für mehrere Ziele optimieren muss, die alle zu dem Hauptziel von Facebook – den grössten langfristigen Wert für Menschen zu schaffen – in dem ihnen Inhalte angezeigt werden, die für sie sinnvoll und relevant sind – addiert werden.

Mehrere ML-Modelle erstellen mehrere Vorhersagen für Michaela. Es wird die Wahrscheinlichkeit berechnet, dass sich Michaela mit dem Foto von Freund A, dem Video von Freund B, dem interessanten Artikel über reisen in Corona-Zeiten oder mit den Wohnungsinseraten beschäftigt. Jedes Modell versucht, diese Inhalte für Michaela zu bewerten. Manchmal stimmen sie aber nicht überein. Es könnte sich eine höhere Wahrscheinlichkeit ergeben, dass Michaela das Video von der Winterwanderung eher liked als den Reiseartikel, aber es könnte wahrscheinlicher sein, dass sie eher den Artikel kommentiert als das Video. Aus diesem Grund benötigt Facebook eine Möglichkeit, diese unterschiedlichen Vorhersagen zu einem Score zu kombinieren, der für das primäre Ziel, der langfristigen Wertoptimierung, geeignet ist. Damit Facebook messen kann, ob etwas einen langfristigen Wert für eine Person schafft, werden Menschen zum Beispiel befragt, wie sinnvoll sie eine Interaktion mit ihren Freunden fanden. Diese Ergebnisse werden dann ebenfalls wieder in den Modellen berücksichtigt.

Notwendige Schichten

Eine grosse Herausforderung ist nur die genaue Vorhersage der zahlreichen Faktoren, die bei der Erstellung des eigenen News-Feeds eine Rolle spielen, sondern auch diesen Prozess effizient zu gestalten, um den 2 Milliarden Menschen auf Facebook gerecht zu werden. Aufgabe der künstlichen Intelligenz ist es, alle Beiträge die von Freunden (Koala-Foto, Video von der Winterwanderung etc.), Seiten und Gruppen mit Michaela geteilt wurden, zu sammeln. Ausserdem werden neue Posts, die von Michaela in der letzten Session noch nicht gesehen wurden, ebenfalls der Auswahl hinzugefügt. Als nächstes muss das System jeden Beitrag für eine Vielzahl von Faktoren bewerten z.B. die Art des Beitrags, die Ähnlichkeit mit anderen Beiträgen und wie sehr der Beitrag mit dem übereinstimmt, womit Michaela zu interagieren pflegt. Um dies für mehr als 1’000 Beiträge für jeden der Milliarden von Personen in Echtzeit zu berechnen, lässt Facebook dieses Modell für alle infrage kommenden Beiträge parallel auf mehreren Rechnern laufen. Dadurch wird der Basis-Score ermittelt. Zum Schluss werden bestimmte Werte für die kontextuelle Vielfalt und die Personalisierung addiert, um einen endgültigen Wert zu erhalten, der den Content-Inhalt entweder im News-Feed nach vorne reiht oder ihn hinter anderen einordnet. Alle diese Ranking-Schritte erfolgen in der Zeit, die Michaela benötigt, um die Facebook-App zu öffnen. Innerhalb von Sekunden hat sie dann einen gerankten News-Feed der zum Stöbern einladen soll.

News-Feed-Algorithmus (Quelle: Facebook)

Funktionsweise des News-Feed-Algorithmus (Quelle: Facebook)

Bedeutung aus einer Marketingperspektive

Vermutlich kommt jetzt die Frage auf, was dies für die Marketingperspektive bedeutet. Wer weiss, wie der Algorithmus funktioniert, kann leichter strategische Entscheidungen treffen. Es gibt also keine Tricks, die helfen das System zu betrügen, da der Algorithmus darauf ausgelegt ist, Wert für den Nutzer der Plattform zu liefern. Facebook bestimmt diesen Wert, indem gelernt wird, was Menschen durch ihre Interkationen mit Inhalten mögen oder nicht mögen.

Das bedeutet, dass es nur einen wirklichen Weg gibt, um die Inhalte dem Publikum auf Facebook und Instagram näherzubringen. In erster Linie ist es sehr wichtig, dass man die eigene Zielgruppe kennt und weiss was sie schätzt. Dies erfordert Zeit, Recherche und eine sorgfältige Analyse der Zielgruppe. Darüber hinaus ist es sehr essentiell, dass mit hochwertigen, ansprechenden Inhalten Wert für die Zielgruppe generiert wird.

Fazit

Wenn Schwierigkeiten auftreten Menschen auf Facebook zu erreichen, dann ist es von Vorteil zu wissen, wie der News-Feed-Algorithmus funktioniert, um eine bessere Strategie entwickeln zu können. Der News-Feed-Algorithmus analysiert kontinuierlich die Aktivitäten des Nutzerverhaltens, um zu bestimmen, was die Person als nächstes sehen möchte. Er nimmt ständig neue Informationen auf, so dass jedes Mal, wenn eine Person mit einem Beitrag interagiert, der Wert neu berechnet wird. Es gibt keine Tricks oder Hacks, mit denen man das System betrügen kann. Der Algorithmus wurde entwickelt, um dem Betrachter der Plattform einen Mehrwert zu bieten und dieser Wert wird jeden Tag bestimmt, indem das System lernt und berechnet, welche Art von Inhalten die Menschen durch ihre Interkationen (Likes, Kommentare, Shares, etc.) mögen oder eben nicht mögen.

Facebook Instagram LinkedIn Xing

Kommentar via Facebook

Bitte akzeptieren Sie die Cookies um die Facebook Kommentare zu nutzen.

Schreib uns einen Kommentar

Comments are closed.

Kennst Du schon unsere wöchentlichen Newsletter?

Facebook & Instagram   LinkedIn