公告：Facebook境外推广--脸书刷观看量
NewsFeed 是不是来的
2004年，Facebook 面世，两年后的9月份，NewsFeed 面世，与此同时面世的还有MiniFeed（个人静态）。今年是 NewsFeed 上架二十周年了，这10年里，Facebook 是是不是一步棋一步棋把 NewsFeed 打造成了日收入几百亿美金的钱款牛的？不管你对这充满著贪著的难题感不屑一顾，再说我颇感浓厚兴趣。
今天他们都早已生活习惯了把相片、文本等内容主动撷取给挚友，但当时 Facebook 上架了那个机能时，引发了广泛的争论，关注点就是个人隐私难题，采用者认为我发的静态是不是能让别人看见呢[1]？采用者始终时不时批评和示威，又禁不住继续采用，Facebook 就这种在争论声中增加了起初的个人隐私控制，比如暗藏自己的静态，而 NewsFeed 就这种秉持了下来。看来，小扎真是一个撩妹剑客，看破了采用者们嘴上说不要，身体却正直的外在。
随着采用者们慢慢地圣戈当斯区了下载挚友的分(xuan)享(yao)了，2009年，Facebook 加上了赞(like)机能（FriendFeed 在2007年发明者了赞按键，FriendFeed 后来于2009年被 Facebook 收购，并将赞那个机能资源整合进来），开始依照炙手可热程度对 Feed 重次序，一切顺利，这又引发了采用者们的反叛，因为大家早已生活习惯依照时间次序写作。
充斥这么多争论，为什么 Facebook 始终秉持做浓厚兴趣feed？从数据上看，平均值每一采用者每晚待看的可说有1500条之多，但平均值每一采用者每晚只能写作300条；从商业角度，将 Feed 次序交予天主的作法，非常有利于商品化且有辱采用者新体验，公用网页能采用许多骗术吸引采用者关注，然后明目张胆发电视广告。
10年来，NewsFeed 有许许多多的改良，甚至每晚圣戈当斯区会与此同时布署许多演算法版进行AB试验。但 EdgeRank 是这条强化插值之路上的一个举世闻名建筑。他们能将 NewsFeed 次序策略依照 EdgeRank 分为 PreEdgeRank 黄金时代、InEdgeRank 黄金时代、PostEdgeRank 黄金时代。
EdgeRank 演算法
EdgeRank，顾名思义，就是对边（Edge）进行次序（Rank）[2]。
别看今天 Facebook 各种高大上，又是深度学习又是人工智能，要知道，在 EdgeRank 提出之前，FB 也是有过刀耕火种黄金时代的，FB 的首席产品官 Chris Cox 谈及早期 NewsFeed 是这种说的[3]：
In the beginning, News Feed ranking was turning knobs. Turn up photos a little bit, turn down platform stories a little bit.（起初，NewsFeed 次序就是在主观拍脑袋，给相片加点权重，给平台静态消息降点权重）
a photo might be worth 5 points, while joining a group was worth 1 point （把相片权重定为5，把加群权重定为1）
国内演算法工程师们听到这些，想必都要会心地笑了：原来 FB 也是从那个黄金时代走过来的。但 Facebook 不同的是，这只是暂时的情形，他们早已走到更高级的阶段了。
Serkan Piantino 在2010年左右领导并开发了第一版 EdgeRank 演算法[4]。下面说说大名鼎鼎的 EdgeRank 是是不是回事。
EdgeRank 主要有三个因素在起作用：
亲密度（Affinity Score）
边的权重（Edge Weight）
新鲜程度（Time Decay）
想象一条内容诞生后，途经什么路径流动到你的面前？
然后经过你那个朋友（或者你的关注源）的介绍，到了你家门口，你一开门（登录）就可能看见它；
内容不多时，开门一个一个寒暄可能还行，它们也等得起，也无所谓先来后到，内容太多时，就得考虑个先来后到了。
这三个步骤，就大致刻画了 EdgeRank 的思想了，其实还是很简单直接的。
亲密度对应了第二个步骤背后的思想，那么多人介绍过来，他们当然要优先照顾更喜欢的人了，亲密度的量化要考虑平常里你和那个朋友走动是否频繁，连接是否紧密。主要考虑下面几点：
你们连接的强度，点赞之交，还是评论之交，或是私信之交，连接方式不同，强度就不同；
你们连接的频繁程度，一日百赞，还是百日一赞，差别也很大；
你们有多久没有建立连接了，一年没有了，关系自然就更淡了；
亲密度是单向的，也就是说你对朋友的亲密度，和朋友对你的亲密度可能不一样哦。
你看，看似神秘的 EdgeRank 演算法，其实跟大家不太待见的鸡汤居然意思是一样的，是不是觉得它竟然如此平易近人？
最后，新鲜程度，也是一个符合直觉的自然假设：NewsFeed 总是青睐 New 一些的 Feed，新的可说总体上更可能得到采用者的临幸。FB 用了一个类似指数衰减的函数来量化静态的新旧程度。
三个分数，最终用相乘的方式共同作用于每一条可说的分数，用于次序和筛选。
那个次序方法的确是很简单，基本上只考虑了社交方面的因素，而没有考虑太多内容本身对采用者吸引力。
从公开的资料看 EdgeRank，并不是什么高深的演算法，它只是量化了三个主要因素，然后主观地相乘，而没有任何目标强化思想在背后，根据 Facebook 披露的消息看，早期的 EdgeRank 的确没有引入机器学习，所以根本称不上是智能的演算法。
为什么 EdgeRank 这么有名？因为它是在F8开发者大会上公开介绍过的，经过一知半解的媒体渲染，变成了一个神秘高深的存在。
后 EdgeRank 黄金时代
2011年之后，Facebook 内部就不再提 EdgeRank 演算法了，因为采用者数和电视广告主的飞增，导致 NewsFeed 的次序演算法必须要更上一层楼。如今月活跃超过10亿采用者，约2000万的公用网页，移动设备贡献了大多数流量，复杂的上下文因素，必须引入机器学习才能 Hold 住整个场面。
在原来 EdgeRank 的基础上，更加细致地定义了不同层级的亲密度。用深度神经网络理解图片内容和文本内容[5]，从而能知道相片中的物体是不是采用者感浓厚兴趣的，能知道可说的讨论话题。随着产品插值，也加入了更多产品特征，诸如写作时间长短、视频内容、链接内容等，取关、暗藏一个源。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），如果还依照原来的方式去调节权重，显然既不科学又很低效。
从 Facebook 的机器学习应用博客页面能看到，2010年之后就开始逐渐有机器学习方面的文章出现了[5]。
相关资料显示[6]，2011年之后的 NewsFeed 次序演算法，全面转向了机器学习，用强化理论来决定每一因素的权重，将人从繁杂的策略量化中解放出来。
在被机器学习接管后的 NewsFeed，许多地方都更加细致。
用机器学习预估可说的质量[7]。通过构造了一份问卷调查，访问了若干采用者来收集数据，用收集的数据构建了一个机器学习模型，用于 NewsFeed 次序时预测一条静态的质量，将预测的质量分数作为最终次序的一个特征。用树模型构造离散特征，结合最常见的LR模型预估电视广告点击率[8]。
仅举几例：
团队发现有85%的暗藏可说操作来自5%的人，经过与这些采用者沟通才发现，原来这5%的人把暗藏当作邮件里的标记已读了，对喜不喜欢的可说只要看过就会点击暗藏。
对于悲伤的事情，采用者可能关心但不会点赞的。
对于有些点赞，采用者可能并不是真的感浓厚兴趣，只是点赞狂魔发狂而已。
采用者写作一篇长帖子，读到一半不读了，也并不能说明他对这篇帖子不屑一顾。
这些 case，都让他们开始关注到机器学习和数据的局限[9]。
于是，在演算法团队之外，Facebook 搭建了一个遍布全球的人肉评测小组。人肉评测小组不是简单地对演算法筛选结果进行喜欢/不喜欢的标注，而是会非常深入地阐述为什么喜欢/不喜欢演算法筛选结果，而且会与工程师详细交流评测结果，因为这种人肉评测方式能有效地拆穿数据说谎，让产品远离一味追求提高数据指标的怪圈。
如何衡量采用者真的感浓厚兴趣那个难题也许远远没有最终答案，为什么？因为人的非理性占据了绝大多数时候，而不一致性又是非理性的最重要表现，根据心情不同，采用者有不同的感浓厚兴趣的标准，而且这些标准也许还是相互矛盾的。
NewsFeed 的配套设施
NewsFeed 存在的前提是要依赖采用者建立大量的社交联系，这种才会出现信息过载，因此 NewsFeed 的一个重要的配套设施就是你可能感浓厚兴趣的人（People you may like）推荐系统。
这是一个他们在产品形式上比较熟悉的推荐系统，它是一套大规模矩阵分解演算法[10]，利用已有的协同矩阵为你推荐你可能想建立联系的新Item，包括采用者、app、公用网页等。
NewsFeed 还有另一个配套设施，也是它为什么每晚能吸金几百万刀的原因：电视广告系统。Facebook 的电视广告形态多样[11]：
Suggested Page (你可能喜欢的公众页)
Page Post (公众号帖子推展)
Suggested App (你可能喜欢的应用)
Video Ads (视频电视广告)
现在，每一次 NewsFeed 调整演算法都会引来电视广告主们的示威，他们都是在 FB 上拥有公用网页的商业机构。
在以前，FB 鼓励这些商业机构花钱投电视广告增加粉丝，彼时的 NewsFeed 演算法允许随意发电视广告（以原生的可说形式）。而现在，FB 严格限制商业电视广告和普通采用者的触达。商业机构感觉自己被耍了，花钱买粉之后却不能发原生电视广告，无独有偶，根据微博 CEO（@来去之间）在微博上的披露，现在微博企业号也是被限制博文达到粉丝 feed 次数的[12]。
据国外某专门做 NewsFeed 推展的公司追踪，1000个公用网页的50000条内容以原生方式触达采用者的比例，从2012年16%降低到了2014年的6.51%，降了一倍还多，这当然也可能因为采用者平均值关注的公用网页增多了[13]。
世界上最遥远的距离，就是：手握大把粉丝，却不能随心所欲地曝光自己的产品。
当然，所有的公用网页们，不要灰心，并不是没有办法，NewsFeed 的电视广告系统大门永远向你们敞开。
对 NewsFeed 的展望
具体 NewsFeed 会是不是发展，无法预测，但能肯定的有三点：
NewsFeed 的演算法会始终进化下去。
NewsFeed 团队把人和演算法的关系处理得更好，从数据驱动（Data-Driven）到数据启示（Data-Informed）。
越来越多的 Feed 型产品会效仿 NewsFeed，加入到浓厚兴趣feed的潮流中去。
本篇完。敬请期待下一篇《Pinterest 的 Smart Feed 架构与演算法》。
[1] https://en.wikipedia.org/wiki/Criticism_of_FacebookNews_Feed_and_Mini-Feed
[2] http://edgerank.net/
[3] http://marketingland.com/edgerank-is-dead-facebooks-news-feed-algorithm-now-has-close-to-100k-weight-factors-55908
[4] https://research.facebook.com/serkan-piantino
[5] https://research.facebook.com/publications/machinelearning
[6] http://www.dailydot.com/technology/facebook-news-feed-algorithm-edgerank/
[7] https://www.facebook.com/business/news/News-Feed-FYI-Showing-More-High-Quality-Content
[8] https://pdfs.semanticscholar.org/daf9/ed5dc6c6bad5367d7fd8561527da30e9b8dd.pdf
[9] http://www.slate.com/articles/technology/cover_story/2016/01/how_facebook_s_news_feed_algorithm_works.html
[10] https://code.facebook.com/posts/861999383875667/recommending-items-to-more-than-a-billion-people/
[11] http://zhihu.com/question/20553088/answer/78721851
[12] http://weibo.com/1111681197/D0qNcDlcc
[13] http://techcrunch.com/2014/04/03/the-filtered-feed-problem/
本文为系列文章之一，包括：
为什么应该关注浓厚兴趣Feed？http://mp.weixin.qq.com/s?__biz=MzA4OTk5OTQzMg==&mid=301747344&idx=1&sn=e34dbb820115995eac7502c98e894e05rd
说一说 Facebook 的 NewsFeed（本篇）
Pinterest 的 Smart Feed 架构与演算法
通用浓厚兴趣Feed的技术要点
作者简介：陈开江@刑无刀
2013年之前在新浪微博搜索部和商业产品部任资深演算法工程师，
先后负责过微博反垃圾、基础数据挖掘、智能客服平台、个性化推荐等产品的后端演算法。 2012-2013领导翻译了《机器学习：实用案例解析》一书。
2013年末加入传统媒体公司车语传媒，任演算法主管，
负责从零打造公司转型产品考拉FM的个性化推荐系统， 如今个性化推荐已成为考拉FM与其他FM之间最大差异化特性。 2015年初，离职创业，公司拿到IDG和晨兴资本的天使投资，
产品几经调整，如今专注在用视频撷取购物经验，App名称： 边逛边聊。
