چگونه موتورهای توصیه گر مدرن، «سرعت تعامل» را برای تقویت محتوا در خارج از شبکه محاسبه می‌کنند؟

یک ویدیوی ساده که در یک فید اجتماعی مدرن بارگذاری می‌شود، در ۱۰ دقیقه اول عمر خود در برابر تقریباً ۵۰۰ سیگنال رفتاری متمایز ارزیابی می‌شود؛ یک آزمون محاسباتی سخت که تعیین می‌کند آیا این محتوا به ۱۰ نفر می‌رسد یا ۱۰ میلیون نفر.

این واقعیت اساسی تقویت الگوریتمی مدرن است. اینترنت زمانی بر «عامل K» متکی بود (متریکی که از اپیدمیولوژی وام گرفته شده بود و تعداد کاربران جدیدی را که یک کاربر موجود دعوت می‌کرد، می‌سنجید). امروزه، آن حلقه ویروسی ارگانیک به طور کامل با «سرعت الگوریتمی مصنوعی» جایگزین شده است.[3]

آژانس‌های بازاریابی معمولاً «وایرال شدن» را به عنوان یک طنین فرهنگی مرموز می‌فروشند و وعده می‌دهند که رمز و راز آنچه انسان‌ها را به اشتراک‌گذاری وامی‌دارد، کشف کنند. اما واقعیت مهندسی بسیار سردتر و کاملاً قطعی است. آنچه در شرکت‌هایی مانند متا و بایت‌دنس به مرحله تولید می‌رسد، سیستمی نیست که کیفیت را درک کند، بلکه یک مکانیسم مرتب‌سازی با فرکانس بالا است که طراحی شده تا تعاملات خاصی را در یک بازه زمانی بسیار محدود استخراج کند.[3]

هنگامی که یک محتوای جدید منتشر می‌شود، با «مشکل شروع سرد» مواجه می‌شود. بدون هیچ داده تاریخی از تعامل، سیستم نمی‌تواند ارزش آن را تشخیص دهد. به جای پخش آن برای کل لیست دنبال‌کنندگان یک کاربر، الگوریتم محتوا را به یک گروه آزمایشی اولیه می‌فرستد—معمولاً ۲۰۰ تا ۵۰۰ کاربر که رفتار مشاهده‌ای گذشته‌شان شباهت زیادی به مخاطبان تاریخی تولیدکننده محتوا دارد.[1][3]

در طول این نمایش اولیه، سیستم مشتق اول تعامل را ردیابی می‌کند. منظور شمارش کل لایک‌ها نیست؛ بلکه اندازه‌گیری «نرخ تعامل به ازای هر نمایش» است. اگر این سرعت از یک آستانه تولید شده پویا فراتر رود، محتوا به یک گروه بزرگتر و گسترده‌تر متشکل از ۵۰۰۰ تا ۱۰۰۰۰ کاربر ارتقا می‌یابد.[3]

معماری که این امر را ممکن می‌سازد، از نظر سرعت حیرت‌انگیز است. مقاله بایت‌دنس در سال ۲۰۲۲ درباره معماری «مونولیت» (Monolith) نشان داد که از سیستم‌های توصیه‌گر بلادرنگ استفاده می‌شود که ترجیحات کاربر را در میلی‌ثانیه‌ها به‌روزرسانی می‌کنند. همانطور که محققان اشاره کردند، «مونولیت یک جدول جاسازی بدون برخورد (collisionless embedding table) فراهم می‌کند... تا علایق بلادرنگ کاربر را ثبت کند»، که به الگوریتم اجازه می‌دهد یک ریز-روند را شناسایی کرده و آن را تقویت کند، حتی قبل از اینکه یک مهندس انسانی گزارش‌ها را بررسی کند.[1]

برای محاسبه این سرعت، پلتفرم‌ها اساساً ارزش تعامل را دوباره وزن‌دهی کرده‌اند. از لحاظ تاریخی، یک «لایک» عمومی سیگنال اصلی تأیید بود. امروزه، افشاهای متن‌باز و وبلاگ‌های مهندسی نشان می‌دهند که لایک ضعیف‌ترین سیگنال در این مجموعه است و به دلیل تورم ربات‌ها و اسکرول غیرفعال، ارزش آن به شدت کاهش یافته است.[2]

هنگامی که توییتر (X کنونی) در مارس ۲۰۲۳ الگوریتم توصیه‌گر خود را متن‌باز کرد، مخزن کد به صراحت این ضرایب را شرح داد. به یک لایک استاندارد وزن پایه ۰.۵ داده شد، در حالی که یک «پاسخ» (Reply) وزن ۲۷ و یک «بازنشر» (Retweet) وزن ۲۰ داشت. این سیستم از نظر ریاضی طوری مهندسی شده بود که اصطکاک مکالمه‌ای را بر تأیید غیرفعال تقویت کند.[2]

معماری متا نیز از منطق مشابهی پیروی می‌کند، هرچند که اختصاصی است. در یک تحلیل مهندسی در ژوئن ۲۰۲۳ درباره رتبه‌بندی اینستاگرام، این شرکت تأیید کرد که تمرکز زیادی به سمت اشتراک‌گذاری خصوصی تغییر یافته است. سیستم «ارسال‌ها» (پیام‌های مستقیم) و «ذخیره‌ها» (Saves) را بر دو بار ضربه زدن (لایک) اولویت می‌دهد. یک ارسال نشان می‌دهد که محتوا به اندازه‌ای قوی است که یک تبادل اجتماعی مستقیم را تحریک کند، که حفظ کاربر در پلتفرم را بسیار مؤثرتر از یک لایک عمومی پیش می‌برد.

این بدان معناست که پستی که ۱۰۰ لایک دریافت می‌کند اما ۰ ارسال، امتیاز سرعت کمتری نسبت به پستی با ۱۵ لایک و ۸ ارسال خواهد داشت. الگوریتم یک امتیاز ترکیبی را در میان این اقدامات وزن‌دهی شده محاسبه می‌کند. اگر آن امتیاز ترکیبی در طول پنجره ۱۰ دقیقه‌ای شروع سرد به آستانه انفجار برسد، سیستم محتوا را به خارج از شبکه هل می‌دهد و آن را به صفحات «برای شما» (For You) یا «اکسپلور» کاربرانی که تولیدکننده محتوا را دنبال نمی‌کنند، تزریق می‌کند.[3]

با وجود صنعت کوچک مشاورانی که ادعا می‌کنند این آستانه‌ها را مهندسی معکوس کرده‌اند، این سیستم‌ها غیرایستا هستند. وزن‌ها اعداد صحیح ثابت نیستند؛ بلکه به صورت پویا توسط مدل‌های یادگیری ماشینی سطح بالاتر تنظیم می‌شوند که برای بهینه‌سازی معیارهای سطح بالای شرکتی، مانند به حداکثر رساندن جلسه ۴۵ دقیقه‌ای کاربر فعال روزانه، طراحی شده‌اند.[1][3]

این واقعیت معماری توضیح می‌دهد که چرا محتوای دیجیتال به طور فزاینده‌ای مبتنی بر قلاب (hook-driven) و قطبی‌کننده شده است. تولیدکنندگان محتوا دیگر برای لذت بردن انسان یا رضایت روایی بهینه‌سازی نمی‌کنند. آنها برای محرک‌های رفتاری خاص—خشم، شگفتی، یا کاربرد بسیار قابل ذخیره‌سازی—بهینه‌سازی می‌کنند که محاسبه سرعت را در مرحله آزمایش گروه اولیه به اوج می‌رساند.[3]

نقطه عطف قابل تأیید بعدی در معماری توصیه‌گر، نمودار تعامل را به طور کامل کنار می‌گذارد. پیش‌نویس‌هایی که در اواخر ۲۰۲۵ و اوایل ۲۰۲۶ منتشر شده‌اند، سیستم‌هایی را شرح می‌دهند که از مدل‌های زبان بزرگ (LLMs) برای تطبیق معنایی مستقیم استفاده می‌کنند—تجزیه و تحلیل فریم‌های واقعی ویدیو و رونوشت‌های صوتی برای جفت کردن محتوا با کاربران، به این معنی که مدل تقویت مبتنی بر سرعت فعلی یک تاریخ انقضای قطعی دارد.[3]