你的算法：为用户提供更多个性化 Facebook 推荐的方式
内容提要
Meta推出“Your Algorithm”系统，允许Facebook用户用自然语言直接说明想看或不想看的内容，偏好同时作用于Feed和Reels。系统利用多个大语言模型生成兴趣档案、校验并丰富用户修改，再通过检索、排序、重排和设备端缓存失效等环节落实偏好，兼顾响应速度与内容平衡。
延伸解读
从隐式反馈到显式意图：推荐系统的一次转向
文章指出，传统推荐依赖隐式互动信号，虽可扩展但适应慢、细节少。Your Algorithm 允许用户用自然语言直接声明想看或不想看的内容，将显式意图纳入排序。这并非取代行为信号，而是与之互补：偏好页的初始兴趣仍由行为推断，用户修改后再由系统校验并应用。对读者而言，这意味着推荐结果可能更快反映主动表达，但系统仍会结合后续互动学习，而非一次性设定永久生效。
“感兴趣”与“不感兴趣”的处理逻辑并不对称
文章显示，两类偏好走不同路径。“感兴趣”通过四个专用检索源拉取候选，经相关性检查后在后期排序中提权，但重排阶段有控制层限制同一兴趣的曝光频率和每日贡献上限，避免新兴趣刷屏。“不感兴趣”则在排序、重排和设备端多层过滤，并区分主题、质量类请求和指定创作者。读者可留意：添加兴趣不等于内容立刻占满信息流，而屏蔽请求会经过多道检查才生效。
响应速度靠补充拉取与缓存失效兜底
偏好修改后，系统面临两个延迟来源：新兴趣要等下一次抓取才被纳入，设备上已缓存的内容则是在修改前排序的。文章给出的方案是：添加“感兴趣”时触发一次常规周期外的补充尾部加载，尽快取回匹配内容；添加“不感兴趣”时，客户端获取该兴趣的聚类并丢弃缓存中匹配的内容，避免已排队内容继续展示。这说明页面上的即时感并非单纯靠模型，而是靠投递链路配合。
LLM 分工明确，评估也另起一套
文章强调 LLM 在偏好生命周期中承担不同任务：生成初始兴趣档案和“最近摘要”、校验并规范化用户编辑、在重排阶段做最后检查。各环节约束不同，校验用较小模型以利规模化服务，最终检查则用微调后只返回待移除项的小模型，文章称其比通用模型逐项判断更快更可靠。由于标准离线指标无法判断摘要是否准确或重排是否删对，系统另用 LLM 作为评判者打分，以便上线前比较提示和模型。
Q&A
Facebook 的“Your Algorithm”是什么？它主要解决什么问题？
“Your Algorithm”是 Meta 推出的一套 AI 工具，让 Facebook 用户能用自然语言直接说明自己想看或不想看的内容，从而更透明、更可控地个性化 Feed 和 Reels 推荐。它主要解决传统推荐系统仅依赖隐式互动信号、适应慢且缺乏细微控制的问题。
Your Algorithm 页面包含哪些部分？用户如何操作？
页面顶部有一句“Lately Summary”描述近期观看活动；下方有两个列表：“Interested In”（感兴趣）根据过去活动预填兴趣，“Not Interested In”（不感兴趣）记录用户明确标记或隐藏的主题。用户可以用自然语言添加兴趣、在列表间移动或删除兴趣，每次更改都会同时作用于 Feed 和 Reels。
当用户添加一个“感兴趣”的兴趣时，系统如何确保相关内容出现但不会刷屏？
每个“感兴趣”兴趣会驱动四个专用检索源：两个直接匹配内容（搜索和紧密相关主题聚类），两个通过内容图谱和物品间相似性扩展。通过相关性检查的候选会在后期排序中获得提升，但重排中的控制层会间隔同一兴趣的推荐并限制每日贡献量，且每次请求只为一个兴趣检索，确保每个兴趣都有机会展示。新兴趣会获得有限时间的额外权重，之后系统根据互动学习。
对于“不感兴趣”的兴趣，系统如何在各个阶段进行过滤？
“不感兴趣”兴趣在多个阶段执行：排序时用基于嵌入的比较移除过于接近的候选，并降权近似匹配；排序后由 LLM 重排器审查最终列表；设备端缓存失效会移除已排队展示的匹配内容。质量类请求（如减少 AI 生成或性暗示内容）映射到专用降权信号，若指定创作者则直接过滤其内容。
系统如何让偏好更改更快生效？
系统增加了两个交付机制：当添加“感兴趣”兴趣时，会发送一个额外的补充尾部加载请求，在正常获取周期外检索新推荐，使匹配内容快速出现；当添加“不感兴趣”兴趣时，缓存失效机制会获取新兴趣的聚类，并在展示前丢弃设备上已缓存的匹配内容。
LLM 在 Your Algorithm 中扮演哪些角色？如何评估它们的效果？
LLM 在偏好生命周期中多处使用：生成初始兴趣档案和 Lately Summary；验证每次编辑（检查主题连贯性、去重、映射到干净主题名）；在排序后对“不感兴趣”兴趣进行最终检查（微调的小模型只返回需移除项，更快更可靠）。评估时，由于标准离线指标无法判断摘要准确性或重排正确性，系统使用另一个 LLM 作为裁判，根据预期行为对每次调用输出进行评分，提供客观可重复的比较方式。
