Instagram推出机器学习多样性排序框架缓解通知疲劳

近期，Meta为Instagram发布了一项创新的机器学习排序框架，该框架整合了“多样性算法”，旨在削减重复内容的展示，以减轻用户的通知疲劳感，并确保整体参与度不受影响。这一强调多样性的排序机制，通过在当前互动模型中加入“乘性惩罚”，有效解决了用户因过度接触相似创作者或单一内容类型而产生的问题。

该框架主要聚焦于两个关键问题：首先是用户经常接收到同一创作者的重复消息；其次是算法以往过于偏重某些内容形式（例如Stories），而忽视了Feed或Reels等其他内容区域。过去，Instagram的机器学习模型主要优化点击率和互动指标，虽然这提升了短期参与度，但也使得通知内容趋于重复，有些用户甚至感到被“刷屏骚扰”，从而选择关闭通知功能。

Instagram工程师表示：

核心挑战在于寻求平衡：如何在保持个性化和相关性的同时，增强用户通知体验的多样性。

新系统作为一个“多样性过滤层”叠加在现有互动模型上。它从多个角度评估潜在通知，涵盖内容类型、作者信息、通知分类以及产品区域（如Feed、Reels或Stories）。对于与近期通知高度相似的候选项目，系统会应用经过调校的“乘性惩罚”，从而降低其相关性得分。这个“惩罚系数”范围在0到1之间，通过调整基础分数来下调重复通知的排序位置。工程师能够为不同维度设置权重，精细调整“相关性”与“多样性”之间的平衡，使各个团队能依据产品特定需求灵活运用。

上图展示了Instagram的多样性排序框架（图片来源：Engineering at Meta 博客）。

在数学层面，该系统采用“基础相关性评分 × 多样性惩罚因子”来计算最终分数。针对每个语义维度，系统运用“最大边际相关性”方法，度量通知候选与历史通知之间的相似度信号。如果候选在任一维度上超出预设阈值，它将被标识为相似内容，进而激活降权处理。

根据Instagram工程师的介绍，该框架显著降低了用户每天接收的通知量，并同时提高了点击率。系统还允许在不同维度上定制惩罚逻辑，并通过可配置的权重来调节降权强度，这使得算法不仅具有可扩展性，还能灵活适应各种产品策略。其根本目标是在个性化与多样性之间找到平衡点，确保通知既相关又不致引起审美疲劳。

Instagram团队透露，下一步将研究“动态降权策略”，即根据上下文（例如通知的时间或频率）自动调整惩罚强度。此外，团队还计划探索利用大语言模型来评估语义相似度，从而进一步优化通知的多样性。

Instagram和Meta工程师强调，这种方法反映了机器学习应用的一个更广泛趋势：排序系统正在从单纯追求个性化，转向在相关性与多样性之间寻求平衡。类似的算法思想也可以应用于推荐系统、搜索引擎及其他排序平台，以降低内容冗余、改善用户体验并保持信息的新鲜度。

原文链接：https://www.infoq.com/news/2025/09/instagram-notification-ranking/