• Freundesblasen in Facebook Reels heben Reels hervor, die Ihren Freunden gefallen oder auf die sie reagiert haben. So können Sie neue Inhalte entdecken und sich über gemeinsame Interessen leichter vernetzen.
• In diesem Artikel wird die technische Architektur hinter Freundesblasen erläutert, einschließlich der Art und Weise, wie maschinelles Lernen die Beziehungsstärke schätzt und Inhalte einstuft, mit denen Ihre Freunde interagiert haben, um mehr Möglichkeiten für sinnvolles Engagement und Kontakte zu schaffen.

Freundesblasen verbessern das soziale Erlebnis auf Facebook Reels, indem sie Ihnen dabei helfen, Inhalte zu entdecken, die Ihren Freunden gefallen, ein gemeinsames Seherlebnis schaffen und neue Gespräche anregen. Durch kurzes Tippen auf eine Blase können Sie ein persönliches Gespräch mit jedem Freund beginnen, der sich mit diesem Reel beschäftigt hat.

Diese Funktion kombiniert soziale und Interessensignale, um relevantere, personalisierte Inhalte zu empfehlen und es gleichzeitig einfacher zu machen, Gespräche mit den Menschen zu beginnen, die Ihnen am wichtigsten sind. Wenn Videos sowohl persönliche als auch freundbezogene Interessen ansprechen, erzeugen sie eine Feedbackschleife, die Empfehlungen verbessert und soziale Verbindungen stärkt.

Ein Überblick über die Architektur des Friend Bubbles-Systems

Das Empfehlungssystem für Freundesblasen umfasst mehrere Komponenten, die zusammenarbeiten, um relevante, mit Freunden interagierte Inhalte anzuzeigen, indem sie Signale in Videoqualität mit Signalen aus sozialen Diagrammen kombinieren:

• Nähe zwischen Zuschauer und Freund (dessen Interaktionen am wichtigsten sind): Identifiziert, welche Freundesinteraktionen den Betrachter am wahrscheinlichsten interessieren.
• Videorelevanz (welche Videos angezeigt werden sollen): Bewertet Videos, die für den Betrachter kontextuell relevant sind.

Interaktionen mehrerer Freunde am selben Video signalisieren oft ein stärkeres gemeinsames Interesse und eine höhere Relevanz. Inhalte, die über Freundschaftskontakte auftauchen, sind in der Regel auch von hoher Qualität, wodurch eine verstärkende Schleife entsteht: Social Discovery erhöht das Engagement, und dieses Engagement stärkt den sozialen Graphen weiter.

Zuschauer-Freund-Nähe: Identifizieren von Freunden mit Modellen der Benutzer-Benutzer-Nähe

Freundschaftsblasen basieren auf zwei komplementären Modellen des maschinellen Lernens, um zu ermitteln, welchen Verbindungen sich eine Person am nächsten fühlt. Ein Modell basiert auf dem Feedback einer Benutzerumfrage. die andere basiert auf Interaktionen auf der Plattform.

Das umfragebasierte Nähemodell stützt sich auf eine breite Palette von Signalen, darunter Social-Graph-Funktionen (gemeinsame Freunde, Verbindungsstärke, Interaktionsmuster) und Benutzerattribute (Verhaltens- und demografische Signale wie der vom Benutzer angegebene Standort, die Anzahl der Freunde und die Anzahl der geteilten Beiträge), um ein vollständigeres Bild realer Beziehungen zu erstellen.

Das Training erfolgt in regelmäßigen Abständen mithilfe einer einfachen binären Umfrage, bei der eine zufällig ausgewählte Gruppe von Facebook-Nutzern gefragt wird, ob sie sich einer bestimmten Verbindung im wirklichen Leben verbunden fühlen. Die Umfrage ist als ein Problem zur Vorhersage von „nah“ vs. „nicht nah“ strukturiert, wird regelmäßig aktualisiert, um die Bezeichnungen auf dem neuesten Stand zu halten, und enthält Fragen, die als Stellvertreter für die Stärke der Offline-Beziehung dienen (z. B. wie oft zwei Personen kommunizieren). In der Produktion führt das Modell wöchentlich Rückschlüsse auf Billionen persönlicher Verbindungen zwischen Facebook-Freunden durch.

Während umfragebasierte Nähe eine solide Grundlage bietet, verwenden Freundesblasen auch ein kontextspezifisches Nähe-Vorhersagemodell, das auf Aktivitätssignalen auf der Plattform trainiert wird und echte Interaktionen nutzt, die auftreten, wenn Blasen angezeigt werden (z. B. Likes, Kommentare und erneutes Teilen). Dies ermöglicht es dem Modell, Nähe im Kontext zu erfassen – wie wahrscheinlich es ist, dass ein Betrachter Inhalte schätzt, die jemand in seinem Freundesdiagramm empfohlen hat, basierend darauf, wie sie auf der Plattform miteinander interagieren.

Bei unserem Ansatz steht die Verbindungsqualität vor der Quantität. Während die Blasenprävalenz natürlich mit größeren Freundesdiagrammen zunimmt, erhöht das Anzeigen von mehr Blasenvideos nicht unbedingt das Nutzerengagement. Das Ziel besteht darin, die richtigen Freundschaftsbeziehungen aufzudecken – diejenigen, die dem sozialen Kontext am wahrscheinlichsten Bedeutung verleihen – und zwar mithilfe einer Kombination aus vorhandenen Nähesignalen und oberflächenspezifischen Merkmalen, die die Beziehungsdynamik hinter freundgesteuerten Empfehlungen besser widerspiegeln.

Videorelevanz: Sensibilisierung des Ranking-Systems für Friend-Content

Wir verwenden zwei Schlüsselstrategien, um sicherzustellen, dass hochwertige, mit Freunden interagierte Inhalte durch den Empfehlungstrichter gelangen und Benutzer erreichen können: Erweiterung des oberen Teils des Trichters und Ermöglichung einer effektiven Einstufung von Inhalten in der Freundesblase durch Modelle durch eine kontinuierliche Feedbackschleife.

Beschaffung von Lagerbeständen: Den oberen Bereich des Trichters erweitern

In der Abrufphase werden Kandidatenvideos basierend auf engen Freunden ermittelt, die durch das oben beschriebene Nähemodell identifiziert werden. Durch das explizite Abrufen von Inhalten, mit denen Freunde interagiert haben, erweitern wir den oberen Bereich des Trichters, um ein ausreichendes Kandidatenvolumen für nachgelagerte Ranking-Stufen sicherzustellen. Dies ist wichtig, da hochwertige Freundesinhalte sonst möglicherweise gar nicht erst in die Ranking-Pipeline gelangen.

Ermöglichen Sie Models, die Inhalte von Freunden durch eine kontinuierliche Feedback-Schleife effektiv zu bewerten

Eine wichtige Erkenntnis aus unserem Entwicklungsprozess war das Verständnis, warum Videos, mit denen Freunde interagierten, manchmal Schwierigkeiten hatten, ein hohes Ranking zu erzielen: Das lag nicht daran, dass sie von schlechter Qualität waren, sondern daran, dass dem Modell der Benutzer-Benutzer-Nähekontext fehlte. Ohne diesen Kontext kann das Modell nicht lernen, was Freundesinhalte einzigartig wertvoll macht – nämlich, dass ihre Relevanz oft von der Beziehungsstärke und der sozialen Bedeutung abhängt und nicht von denselben Signalen, die das Interesse an allgemeineren Inhalten erklären.

Um diese Lücke zu schließen, haben wir Freunde-Blasen-Interaktionssignale als Funktionen integriert und neue Aufgaben sowohl in Multitask-Multi-Label-Modelle (MTML) für das frühe als auch späte Ranking hinzugefügt, um die Stärke der Zuschauer-Freund-Beziehung zu berücksichtigen und das nachgelagerte Engagement bei Videos mit sozialen Blasen zu erlernen. Durch die Hinzufügung dieser Signale im gesamten Ranking-Trichter können die Modelle den Wert von Inhalten, mit denen Freunde interagiert haben, besser erkennen, den Zusammenhang zwischen Nähe und Zuschauerinteresse erlernen und hochwertige Freundesinhalte dann höher einstufen, wenn sie am relevantesten sind.

Das System umfasst eine kontinuierliche Rückkopplungsschleife, in der Daten zur Interaktion zwischen Freund und Blase zurück in das Modelltraining einfließen. Diese Schleife hilft dem Ranking-System, besser zu verstehen, welche Freund-Inhalts-Kombinationen bei den Benutzern Anklang finden.

Wir haben unsere bestehende Video-Ranking-Formel, die mehrere Optimierungsziele umfasst, um ein Friend-Bubble-Ranking-Ziel erweitert, das darauf ausgelegt ist, das gesamte Video-Engagement zu maximieren. Wir berücksichtigen Interaktionsmetriken wie Wiedergabezeit, Kommentare und „Gefällt mir“-Angaben und verwenden einen bedingten Wahrscheinlichkeitsbegriff. P(Video-Engagement | Blaseneindruck)um die Wahrscheinlichkeit vorherzusagen, mit der ein Benutzer mit einem Video interagiert, nachdem er eine Freundesblase gesehen hat.

Dies wird durch einstellbare Gewichtungen ausgeglichen, die Kompromisse zwischen sozialer Interaktion und Video-Engagement verwalten, sodass wir die soziale Verbindung (damit Menschen dabei helfen, Videos zu entdecken, die ihren Freunden gefallen) und die Inhaltsqualität optimieren können. Diese doppelte Optimierung erfasst das zentrale Wertversprechen des Freunde-Content-Ranking-Systems: Ermöglichen einer mühelosen Verbindung durch passive Freundeserkennung, Bereitstellung von Unterhaltung durch relevante Inhalte und Stärkung von Beziehungen durch die Umwandlung geteilter Videos in natürliche Kontaktpunkte für Gespräche.

Kundeninfra hinter den Kulissen: Leistung im Rollenmaßstab

Da es sich bei Reels um eine leistungsempfindliche Oberfläche handelt, ist das Hinzufügen neuer Metadaten pro Video nicht so einfach wie das Hinzufügen eines weiteren Felds. Wenn dadurch die Arbeit beim Scrollen erhöht oder die Wiedergabe verzögert wird, kann dies die Kernerfahrung des Benutzers beeinträchtigen. Bei der Integration von Friend-Blasen haben wir drei Einschränkungen als nicht verhandelbar behandelt:

1. Reibungsloses Scrollen
2. Keine Rückschritte bei der Ladelatenz
3. Geringer CPU-Overhead für das Abrufen und Verarbeiten von Metadaten

Das Videobereitstellungssystem von Facebook führt bereits vor der Wiedergabe erhebliche Prefetch-Arbeiten durch. Es lädt Metadaten, Miniaturansichten und gepufferte Inhalte vor, bevor ein Video das Ansichtsfenster erreicht. Wir haben den Abruf von Friend-Bubble-Metadaten an dasselbe Prefetch-Fenster angeheftet, was uns mehrere Vorteile verschaffte: Wir konnten zwischengespeicherte Ergebnisse für stabile Daten wiederverwenden, redundante CPU-Arbeit vermeiden und verschwendete Netzwerkanfragen durch die Verwendung eines bereits optimierten Abrufpfads begrenzen.

Da die Blasendaten zusammen mit dem Videoinhalt ankamen, konnten wir Blasen gleichzeitig mit dem Video selbst rendern, wodurch Aktualisierungen und Neuzeichnungen der Benutzeroberfläche während der Wiedergabe entfielen.

Außerdem haben wir die Animation streng an Bedingungen geknüpft. Während des aktiven Scrollens und der Interaktion ist die Animation deaktiviert, um die Reaktionsfähigkeit beim Scrollen beizubehalten. Auf Low-End-Geräten, bei denen selbst Leerlaufanimationen die Leistung beeinträchtigen könnten, schalten wir sie vollständig aus. Zusammen mit zusätzlichen Optimierungen in der zugrunde liegenden Methode ermöglichte uns dieser Ansatz, Friend-Blasen zu versenden und gleichzeitig die Kernleistung der Reels beizubehalten.

Warum die Metadaten ihren Platz verdienen müssen

Eine übersichtlichere Benutzeroberfläche ist in der Regel besser, und neue Metadaten können nach hinten losgehen, wenn sie für zusätzliches Rauschen sorgen oder das Erlebnis verlangsamen. Freundschaftsblasen funktionieren, weil das Signal einen hohen Wert hat: Sie fügen einen aussagekräftigen sozialen Kontext hinzu, der Menschen bei der Entscheidung hilft, was es wert ist, gesehen zu werden.

Indem wir einen konservativen Schwellenwert festlegen, ab dem Freunde erscheinen dürfen, stellen wir sicher, dass Blasen nur dann angezeigt werden, wenn das Beziehungssignal, das durch das Benutzer-Benutzer-Nähemodell bestimmt wird, stark ist. Dieser Ansatz reduziert Unordnung und verbessert gleichzeitig das Seherlebnis insgesamt, was sich in einer längeren Videowiedergabezeit widerspiegelt.

Die Auswirkungen und die Zukunft von Friend Bubbles

Freundschaftsblasen verbessern die Relevanz von Inhalten und die Qualität des Engagements. In Umfragen zum Benutzerfeedback erhalten Videos mit Blasenkommentaren durchweg höhere Interessenwerte und positivere Stimmungsbewertungen als Videos ohne Blasen.

Über die Relevanz hinaus verbessern Blasen die Qualität von App-Sitzungen, nicht nur die Quantität. Benutzer, die Blasen sehen, verbringen mehr Zeit damit, Inhalte aktiv anzusehen und mit ihnen zu interagieren, wobei sich das Wachstum auf längere Sitzungen und nicht auf kurze Check-ins konzentriert. Die Verbesserungen resultieren vor allem aus einem intensiveren Videokonsum. Blasenbezogene Signale zeigen eine verzögerte Wirkung auf längerfristige Interaktionsmuster, was darauf hindeutet, dass der wiederholte Kontakt mit Inhalten, mit denen Freunde interagiert haben, im Laufe der Zeit ein anhaltendes Interesse aufbaut.

Durch das Auftauchen von Inhalten, mit denen Freunde interagiert haben, machen Blasen den Benutzern auch eine breitere Palette von Themen und Erstellern zugänglich, als ihnen sonst auf organische Weise begegnen würden. Benutzer scrollen nicht nur passiv an diesen Inhalten vorbei, sondern beteiligen sich aktiv über „Gefällt mir“-Angaben, Kommentare, Shares und Follows, was darauf hindeutet, dass von Freunden empfohlene Inhalte auch dann Anklang finden können, wenn sie außerhalb ihrer typischen Interessen liegen.

Nicht alle Freundschaftssignale sind gleich. Durch ausdrucksstarke Reaktionen wie Liebe oder Lachen ausgelöste Blasen führen zu einem stärkeren Downstream-Engagement als einfache „Gefällt mir“-Angaben, insbesondere bei Kommentaren und privaten Freigaben, was darauf hindeutet, dass ausdrucksstarke Reaktionen eine stärkere Resonanz signalisieren. Das Engagement skaliert auch konsistent mit der Anzahl der angezeigten Freundesblasen, was bedeutet, dass Videos mit mehreren Freundesinteraktionen tendenziell eine bessere Leistung erbringen.

Als nächstes skalieren wir das System, um die Wirkung und Robustheit zu erhöhen, indem wir freundgesteuerte Empfehlungen – unter Beibehaltung der Qualität – auf zusätzliche Oberflächen und Inventar ausweiten, den Kaltstart für Personen mit begrenzten Freundesdiagrammen verbessern und Ranking- und Feedbacksignale für eine bessere Personalisierung verfeinern.

Letztendlich veranschaulicht diese Architektur, wie maschinelles Lernen die zwischenmenschlichen Verbindungen in großem Maßstab stärken kann, indem es Menschen dabei hilft, gemeinsame Interessen zu entdecken und es einfacher macht, Gespräche mit den Menschen zu beginnen, die ihnen am wichtigsten sind. Wenn Ihren Freunden etwas Tolles gefällt, können Sie es auch entdecken – und Sie sind nur einen Fingertipp davon entfernt, gemeinsam darüber zu sprechen.

Weitere Informationen zu Facebook Bubbles finden Sie unter Meta-Newsroom.