Xは推薦アルゴリズムをオープンソースにしており、最も厳しい点は「手動機能がゼロ」です。 従来の推薦システムは、機能プロジェクトを書くために多くの人を育てる必要があり、「ユーザー活動バケット」「著者ファン分差」「ポスト人気減衰係数」、機能テストを3ヶ月間変更し、オンライン公開時に覆されるかもしれません。 Xは直接グロックトランスフォーマーにエンドツーエンドの学習を許し、このセットを殺しました。 なぜこれが重要なのでしょうか? 特徴量エンジニアリングは推薦システムの最大の技術的負債です。 人によって書かれた人の特性は維持されなければならず、人は去り、知識は失われる。 コア機能のロジックを理解しているのは一人だけで、その人が辞めてシステム全体がブラックボックスになる会社を何度も見てきました。 モデルは人間が思いつかなかったパターンを発見できます。 「投稿時間」が重要だと考えるかもしれませんが、モデルは「3つ目の単語は絵文字です」と感じるかもしれません。 人間の脳の帰納的能力は、数億のデータ前では冗談のようなものです。 挙動が変わり、モデルは自動的に適応します。 PMが需要を上げるのを待つ必要もなく、スケジューリングも1年間A/Bテストもありません。 ユーザーは変わり、モデルも変わります。 多くの人が気にしないもう一つの詳細があります。それは、同時に15の行動を予測することです。 いいね、リツイート、返信はポジティブなシグナルであり、重みもプラスです。 ブロッキング、ミュート、報告はネガティブ信号であり、ウェイトは負の信号です。 最終スコア = 正の確率 × 正の重み + 負の確率 × 負の重み クリック率を最大化することが目的ではなく、「ユーザーが嫌がらない」ことを最大化することが目的です。 これは真のユーザー体験最適化であり、クリックさせて後悔させるものではありません。 もう一つの工学的ハイライトは候補者の孤立です。 論理的に考えると、選択した投稿同士は互いを見ることができず、ユーザーのコンテキストだけを見ることができます。 利点はスコアが安定し、キャッシュ可能で、同じバッチ内の他の投稿によって変わらないことです。 このアーキテクチャでは、リコールにはツインタワー、細かな配置にはトランス、フィルタリングのルール、そして明確な責任を用います。 Rustはパフォーマンスに敏感なパーツを書き、Pythonはモデルを書き、技術的な選択も非常に実用的です。...