X's Aanbevelingsalgoritme Analyse ===================================== Grok Code Fast gebruikt om een snelle analyse van X's aanbevelingssysteem te krijgen. Wat Maakt een Bericht Viral =========================== tldr: Voorspelling van betrokkenheid is alles. Plaats inhoud die interacties genereert. Op basis van de werkelijke algoritmecode, hebben berichten die het hoogst scoren doorgaans: + Hoge voorspelde betrokkenheidsscores (ML-modellen voorspellen likes/herpublicaties/reacties) + Sterke personalisatieovereenkomst (SimClusters-vergelijking met gebruikersinteresses) + Relevantie van sociale grafieken (RealGraph-verbindingen met het netwerk van de gebruiker) + Media-inhoud (afbeeldingen/video's krijgen betrokkenheidsvermenigvuldigers) + Auteurscredibiliteit (volgersaantal, verificatie, tweepcred-score) + Kwaliteitssignalen van inhoud (doorstaat spam/NSFW/kwaliteitsfilters) + Tijdelijke relevantie (versheidsfactor, trending onderwerpen) + Conversatiepotentieel (hoge voorspelling van reactiescores) Het algoritme gebruikt machine learning-modellen om betrokkenheid te voorspellen, niet eenvoudige gewogen formules. Succes wordt gemeten aan de hand van daadwerkelijke gebruikersinteracties, wat een feedbackloop creëert die de rangschikkingsvoorspellingen continu verbetert. Hoe het Algoritme Eigenlijk Werkt =============================== 1. Kandidaten Generatie (9 bronnen): - Earlybird (in-netwerk berichten) ~50% - UTEG (aanbevelingen buiten het netwerk) - postMixer, Lijsten, Gemeenschappen, Inhoudsverkenning - Statische, Gecachte, Backfill-bronnen 2. Kenmerken Hydratatie (~6000 kenmerken per bericht): - Gebruikerskenmerken (interesses, gedrag, demografie) - Berichtkenmerken (tekst, media, metadata, betrokkenheid) - Grafiekenkenmerken (SimClusters, RealGraph, sociale verbindingen) - Real-time signalen (huidige betrokkenheid, trending status) 3. Scoring Pipeline (4 modellen): - Model Scoring (NAVI zware rangschikker) - Reranking Pipeline - Heuristische Scoring - Lage Signaal Scoring 4. Filtering (24 totale filters): - 10 Wereldwijde Filters (leeftijd < 48u, deduplicatie, locatie, enz.) - 14 Bericht-Score Filters (Grok veiligheid, taal, videoduur, enz.) 5. Finale Selectie & Mixen: - Sorteren op finale scores - Toepassen van diversiteitsregels - Mixen met advertenties, wie-te-volgen, prompts - Genereren van tijdlijn Belangrijke Voorspellingsmodellen ==================== Het algoritme voorspelt deze betrokkenheidstypes: • VoorspeldeFavorietScore (likes) • VoorspeldeRetweetScore (herpublicaties) • VoorspeldeReactieScore (reacties) • VoorspeldeGoedeKlikScore (betekenisvolle klikken) • VoorspeldeVideoKwaliteitBekijkScore (video betrokkenheid) • VoorspeldeBookmarkScore (opslag) • VoorspeldeDeelScore (externe delen) • VoorspeldeDwellScore (tijd besteed aan bekijken) • VoorspeldeNegatieveFeedbackScore (verbergt/blokkeert) Gewichtssysteem Realiteit ==================== BELANGRIJK: Het algoritme gebruikt GEEN vaste percentagegewichten zoals: ❌ Like Voorspelling (35%), Herpublicatie (28%), enz. EFFECTIEVE SYSTEEM: ✅ Gewichten zijn geleerde parameters van ML-training ✅ Standaardwaarden in code zijn 0.0 (overschreven door functie-vlaggen) ✅ Gewichten zijn gepersonaliseerd per gebruiker en constant A/B getest ✅ Verschillende inhoudstypen (video vs tekst) krijgen verschillende behandeling ✅ Gewichten veranderen op basis van real-time context en gebruikersstatus Voorbeeld scoringproces: 1. ML-modellen voorspellen betrokkenheidswaarschijnlijkheden 2. Functie-vlaggen bieden huidige gewichtvermenigvuldigers 3. Personalisatie past gewichten aan voor individuele gebruiker 4. Real-time context wijzigt finale scores 5. Bedrijfsregels passen kwaliteitspoorten en diversiteit toe Wat Eigenlijk Viral Inhoud Aandrijft ================================== Op basis van code-analyse, hebben virale berichten doorgaans: 1. Genereer Hoge Betrokkenheidsvoorspellingen: - Modellen voorspellen hoge like/herpublicatie/reactie waarschijnlijkheid - Inhoud resoneert met meerdere gebruikersgemeenschappen - Sterke vroege betrokkenheidssignalen 2. Doorstaan Alle Kwaliteitspoorten: - Overleven 24 verschillende filterstadia - Voldoen aan veiligheidsnormen (geen spam/NSFW/gewelddadig) - Auteur heeft goede geloofwaardigheidssignalen 3. Bereik Personalisatie op Schaal: - Overeenkomen met interesses over diverse gebruikerssegmenten - Trigger SimClusters-vergelijking voor veel gebruikers - Verbinden via RealGraph sociale relaties 4. Optimaliseer voor Platformmechanica: - Inclusief media (afbeeldingen/video's presteren beter) - Plaats tijdens periodes van hoge activiteit - Gebruik formaten die reacties/herpublicaties aanmoedigen Belangrijke Conclusies ============= ✅ Voorspelling van betrokkenheid is alles - het algoritme optimaliseert voor gebruikersinteracties ✅ Personalisatie is geavanceerd - gebruikt ML-embeddings, geen eenvoudige zoekwoordmatching ✅ Kwaliteitsfiltering is uitgebreid - 24 stadia voorkomen inhoud van lage kwaliteit ✅ Gewichten zijn dynamisch - constant geoptimaliseerd door ML en A/B-testen ✅ Schaal is belangrijk - systeem verwerkt dagelijks miljarden berichten met <50ms latentie ✅ Transparantie bestaat - deze analyse is mogelijk omdat X het algoritme open-source heeft gemaakt Het systeem is ontworpen om inhoud te tonen waar gebruikers mee zullen interageren, wat een feedbackloop creëert die makers beloont die hun publiek begrijpen en boeiende inhoud produceren. Bottom line: Creëer inhoud die oprechte betrokkenheid genereert van uw doelgroep. Het algoritme zal leren en versterken wat werkt.

Het apparaat dat @sama en Jony Ive aan het bouwen zijn. Ik leg uit waarom het Apple veel minder relevant zal maken in ons leven. En ik ben zelfs niet eens ingegaan op de medische impact hiervan. Bedankt @IllusionOfLife en @kevinafischer, onder velen anderen die werken in augmented reality en robotica, voor de inspiratie.