「我们基于实体抽取的公开语料对语言建模，利用这些数据我们可以提取不同信任度 (various levels of confidence) 的话题。第二层的基础设施会利用多维数据提高它的准确性。对于特定对象，我们也有些启发式算法 ( some heuristics) ，它们在抽取系统中过滤噪音，并决定什么更有报道价值。」

　　这种「兴趣竞争」有多可怕？2007 年，一位 Facebook 工程师透露，「只有 0.2% 的内容有资格在 feed 流中露脸，AI 视角和系统视角会共同决定哪些是让人印象深刻的东西，」，堪比新时代的「信用评级机构」。

　　无趣的东西是无法「贿赂」算法的。唯一的办法就是把自己在 Facebook 上塑造成一个万人迷，粉丝们蜂拥而至，点赞和评论。

　　那么，作弊有没有用呢？最近，Amazon 就开始对那些「具有奖励性质的评论」开刀了。类似「好评返现」的招数如果损害到了消费者判断，这些平台也不会蠢到袖手旁观。

　　在 2010 年的 Facebook F8 大会上，他们公布了 EdgeRank 算法的三个构成因素：

　　1. 亲密度（Affinity Score）

　　亲密度衡量你对「边」的互动程度。你和一个好哥们有 50 个共同好友、经常互相写评论……那么 Facebook 就会倾向多给你看到他的动态。

　　在互动中，强度、你对互动者的熟悉程度、时间间隔都是比较重要的。

　　在这里可以看到，Facebook 倾向于依据「直接事实」做判断。如果你属于那种「身体比较不诚实的」，或者「消极的旁观者」，那就可能要出问题。

　　以及，

同为「评论」，你高于你的朋友，你的朋友高于你朋友的朋友；

如果你与过去互动频繁的朋友渐渐疏远了，那他的影响力就会变弱；

亲密度是单向的：我把朋友当哥们儿，不代表他也这样想。

　　2. 边的权重（Edge Weight）

　　每种「边」都有不同的默认权重。比如评论的权重就高于点赞。Facebook 倾向于把更能「迷倒」你的东西赋予更高的权重，就像图片和视频就高于文字链接。

　　但每个人又不同。如果你只评论文字链，而忽略图片和视频，那么文字链权重可能就高于那些声色犬马的东西。

　　同时，你的「边」来源也将影响权重。比如，你通过广告而关注某个公共主页的权重，就低于你去直接搜索。

　　此外，Facebook 为了推广某些新功能，新功能的权重也会在初期适当提高。

　　3. 新鲜度（Time Decay）

　　旧闻不受欢迎。EdgeRank 的动态评分不会让你看到在「整个时间长河」中最受欢迎的东西，它的面貌永远是「当下」的。同时，登陆间隔时间、频率都有影响。使用越频繁，新鲜度就越明显。

　　但在 2013 年，Facebook 调整了此种「腐烂」 (decay) 因子（因为当你错过了某些消息，不代表那些消息是不相关的)，并增加了「按照时间线排列」的选择。

　　总结一下，EdgeRank 算法的大致思路：如果一个 story 被你熟悉的好友最近产生过重要的行为，开奖，它在 feed 流的排序中就有较高权重。

　　看起来并不是太高深。但是，引入机器学习的 EdgeRank 就不可同日而语了。

　　2013 年前后，Facebook 开始强调他们做 feed 流的目标：让对的人在对的时间看到对的东西，并找了数千人做调查「什么是好内容」。

　　为了改进 EdgeRank，找到「高质量的内容」，他们加入了机器学习。

　　2014 年，深度神经网络的成熟带来了机器学习的突破性进展。算法从 A 事实导出 B 结论的时代过去了，直播，现在，A 事实可以导出 B、C、D、E、F 结论，发现数据中的关联，并自我学习和进化。

　　曾任新浪微博资深算法工程师的陈开江表示：「引入机器学习的 EdgeRank 算法前前后后一共考虑了 10 万+的变量（模型的特征空间应该会更高）。它在原来 EdgeRank 的基础上，更加细致地定义了不同层级的亲密度，并用深度神经网络理解图片内容和文字内容」。这些变量涵盖进了「适宜度、相关性、可信度」等因素。

　　用户增长和数据的爆发带来持续的挑战。

2014 年，Facebook 听取用户抱怨，宣布将采取措施打击「诱骗点击」行为，计算分析用户停留时间；

2015 年，他们宣布整治「欺诈」，当多名用户举报此条信息「造谣」时，平台就会降低它的分发度；

7 月，Facebook 推出「优先看」功能，除了选择「不看谁」，你还可以选择优先看到的内容；

(责任编辑：本港台直播)