Facebook 推荐不再只靠点击猜：Your algorithm 让人用一句话改写 Feed 与 Reels
核心概要
Meta 推出 Your algorithm，让 Facebook 用户用自然语言直接说明想看和不想看的内容，并让这些偏好同时作用于 Feed 与 Reels。此前推荐系统主要依赖隐式互动信号，扩展性好但适应慢、细节少。该系统用一组大语言模型完成兴趣推断、偏好校验和最终重排，并通过补充拉取与缓存失效让改动更快生效；Meta 同时指出，对模糊输入的理解和更精确的响应仍是待解问题。
深度剖析
Facebook 的推荐结果现在可以由用户用自然语言直接改写，而不只由点击和停留等隐式行为决定。 此前的推荐系统从隐式互动信号中学习，这种方式扩展性好，但适应慢、捕捉到的细节少。 Your algorithm 页面把兴趣分成 Interested In 与 Not Interested In 两个列表，任何改动都同时作用于 Feed 与 Reels，并会随用户对单条帖子的反馈继续更新。
一条偏好从被写下到影响排序，要经过推断、校验、存储和排序多个环节，每个环节由不同的模型承担。 偏好管理环节用较小的模型检查短语是否为连贯话题、去重并映射到规范话题名，再补上排序所需的嵌入和搜索关键词。 最终重排由一个经过微调的大语言模型复查排序后的列表，只返回需要移除的条目；Meta 表示这种小模型比通用模型逐条判断更快也更可靠。
新增兴趣和屏蔽兴趣分别有专门的投递机制，使改动不必等到下一次常规拉取才生效。 新偏好出现前，内容要等下一次拉取请求才会被拾取，而设备上已缓存的内容是在偏好设置之前完成排序的。 新增 Interested In 时系统发出一次常规周期之外的补充尾部拉取；新增 Not Interested In 时，客户端取得该兴趣的簇并丢弃匹配的已缓存内容。
启示与展望
这套系统面向 Facebook 的 Feed 与 Reels 推荐，描述的是兴趣推断、偏好管理、排序与投递各环节的机制，以及大语言模型在其中的分工；公开内容没有给出效果指标或线上对比数据。
Meta 表示仍有重要机会，包括更好地理解模糊输入，以及让推荐对每一次请求响应得更精确；此外还在探索更多可以塑造偏好的入口。