【科技巨頭解碼】為何 IG 不能只是 IG？臉書的演算法變革－推薦模式的時代來臨

臉書的演算法變革

臉書的演算法，一直是他們經營平台的「神秘醬汁」，就像可口可樂的配方一樣，是外界不斷想要找出的秘密。當然，對於臉書來說，演算法是維持其用戶經驗絕對必要的存在 – 假設一個用戶有一千個臉書朋友，加上追蹤一百個粉絲專頁與加入一百個社團，如果朋友一天發三則貼文，粉絲專頁發五則貼文，社團則是有十則貼文的話，代表這個用戶一天可以看到的內容高達 4500 則，如果把這麼多的內容一口氣丟到用戶的手機上，對於用戶來說會產生資訊超載的狀況，這會是災難性的體驗。

以我自己來說，應算是一個中重度的臉書用戶，但我一天所能瀏覽的內容數量，可能就是數十則到一兩百則之譜，差不多就把我的使用時間花光了。所以，如何從數千則「好友+追蹤的專頁+加入的社團」的貼文中，挑選出對我最有意義的那數十則，就是臉書演算法最重要的工作。
如果這個演算法夠好，挑出來的數十則內容夠好，那就可以讓我的臉書使用經驗處於良好狀態，使我這個用戶不會離開臉書平台。但如果這個演算法挑出來的內容是我沒興趣甚至反感的，這樣的經驗多了幾次之後，我可能就會因為使用後的感覺不良好，而成為一個流失的用戶。所以對於臉書來說，找出一個最好的演算法，基本上就是他們服務成敗的核心命脈。

（以上文字雖然主要寫的是臉書 Facebook，但是 Instagram 的運作原理也大致相同）

而在過往十年，臉書也曾經對演算法大幅調整過。在早期，臉書對於動態牆 Newsfeed 的演算法，是針對總使用時間最佳化的 – 臉書的演算法會判斷給用戶看到什麼內容，用戶花在臉書 App 上的時間會最多，然後就把這些內容推到用戶的動態牆。這個演算法在 2015 – 2016 年時，達到一個高點，當時臉書上面有許多的影片，而用戶每看一個影片，所花的時間當然多於看文字訊息數倍。

不過，在 2018 年時，臉書宣布要對其演算法進行一個大改版，不再針對使用者時間做最佳化，而改以有意義的社交互動MSI Meaningful Social Interaction 作為優化的指標。簡單來說，臉書在這個階段的演算法，會根據哪些內容，最能夠引起用戶的互動（取代了原本的使用時間），來決定是否推播那些內容。
而這樣的演算法改變，雖然在短期內造成了臉書的營收成長減緩，但過了幾年後的事後諸葛來看，對於臉書來說應該是一個正確的決定，成為臉書持續成長的背後動力。

然而，正當外界覺得臉書的演算法是君臨網路內容產業的王者的時候，挑戰者 TikTok 卻狠狠的把臉書演算法踢下王座。
TikTok 的短影音，不倚靠社群網路的連結，而是單純的透過人工智慧來學習每個使用者喜歡看怎樣的內容，然後在眾多的內容裡面挑選出最適合使用者的內容，推播到用戶的眼前。
而很顯然的，TikTok 的使用者們 – 主要是年輕世代，非常喜歡這種模式，TikTok 席捲了整個歐美世界的年輕世代，而臉書的 IG 正是最主要的受害者。

對於 Meta 臉書來說，他們有兩個選擇 – 一種是相信他們的演算法仍有競爭力，TikTok 的東西只是另一種成功的模式，但不會根本性的摧毀臉書。另外一個選擇，則是相信 TikTok 所代表的「推薦演算法模式」將會是不可擋未來，會吞噬掉原本臉書演算法的空間，臉書不跟上就得滅亡。

而目前看起來，Meta 的想法更偏向後者。

為何推薦演算法可能會更好

事實上，臉書想要擁抱的推薦演算法，的確有很高的機率，會比臉書原本依賴的社群訊號模式，更能夠交出用戶喜愛的內容。首先，推薦演算法模式的最大優勢，就是可以從更多的內容來源，去挑選出用戶可能喜愛的內容。
透過推薦演算法，臉書可以從訂戶並未追蹤的內容來源挑選內容，推播到用戶的眼前，這可以說是大幅擴增了可取用的資料庫。
今天即使一個臉書用戶，好友有上千名，並且也訂閱了上千個不同的粉絲專頁，看似已經可以從海量的內容撈出對他有價值的部分，然而這個內容來源的數量級，跟整個臉書平台上的總內容數相比，根本是滄海一粟，可能連百萬分之一都不到。

試想，當你到一個有一千本藏書的圖書館，跟到一個有一百萬本藏書的圖書館，哪個圖書館能有更高的機率挑選出你會愛上的書呢？

但推薦演算法的優勢，不僅僅是在可取用的內容庫暴增這一點上而已 – 透過人工智慧的高速發展，推薦演算法會比原本臉書依賴的社群訊號，更能夠找出用戶的真實喜好。雖然臉書並未真正對外公布過他們原本的演算法，但我們大致上知道，臉書是透過所謂的 MSI 社群互動的訊號，來決定哪個內容更適合用戶的 – 那些更多留言、更多按讚、更多分享的內容，以及那些內容來源是用戶更常態性會互動的。
在這種模式之下，臉書其實並不需要非常了解那則內容到底是什麼，也不需要了解用戶到底喜歡看怎樣的內容。臉書只要知道 – 喔，你常常按這個朋友讚以及跟他留言互動，然後他最近貼了一篇內容，在朋友圈內也很多人按讚，所以一來你跟這個看來關係緊密，二來看起來他的這則內容很能引起互動，那系統把這則內容推到你眼前看起來是十拿九穩的決定。

在上述的模式之下，臉書其實是把了解用戶的喜好這件事上，外包給用戶自己 – 你會追蹤的粉絲頁、你會常常參與討論的社團、你會頻繁互動的朋友，想必就是你最有興趣的主題。在用戶自己給出回饋訊號的狀況下，臉書只需要評估這些訊號的強度，然後把總分最高的內容丟到用戶面前。

當然，臉書的成績單，讓我們不能說這種模式是不成功的。然而，隨著人工智慧與機器學習的快速發展，臉書現在其實可以更進一步，真實地去理解平台上被分享的每個內容到底是什麼，以及去理解每個用戶真正喜歡的內容是什麼。對於臉書來說，這絕對是不須懷疑需要前進的一步 – 更深入的了解平台上的用戶，更深入的掌握這些會員的喜好，這絕對能夠幫助臉書，把用戶留在他們的平台上的時間拉得更常，頻率拉得更高。

別忘了，臉書原本仰賴的社群訊號，並沒有消失無蹤，這些訊號未來也應該會被整合到臉書的推薦演算法中。我們可以預期的是，如果原本的 MSI 演算法，可以掌握用戶的喜好到 70%，未來新的推薦演算法，加入了人工智慧深入理解內容本質的判斷後，臉書對於用戶喜好與需求掌握的能力，應該可以上升到 90% 甚至更高。

如果說，Meta 家族兩大 App – Facebook 與 Instagram 的黏性原本就很厲害的話，透過導入推薦演算法模式，這個用戶黏性很可能還可以再次突破天際。

瀏覽 1,999 次