Friend Bubbles: Enhancing Social Discovery on Facebook Reels

Context

친구들이 상호작용한 고품질 콘텐츠가 추천 파이프라인을 통과하지 못하는 문제가 발생했습니다. 모델이 사용자-사용자 친밀도 컨텍스트를 고려하지 않아 친구 콘텐츠의 고유한 가치(관계 강도와 사회적 의미)를 학습하지 못했습니다.

Technical Solution

• 설문 기반 친밀도 모델 도입: 소셜 그래프 특성(상호 친구, 연결 강도, 상호작용 패턴)과 사용자 속성(위치, 친구 수, 공유 게시물 수)을 사용해 매주 추론을 트릴리언 규모의 사람 간 연결에 적용
• 온플랫폼 활동 기반 컨텍스트 친밀도 모델 추가: 버블 표시 시 발생하는 실제 상호작용(좋아요, 댓글, 공유)을 학습해 플랫폼 내 관계 강도를 캡처
• 상위 퍼널 확장: 친밀도 모델로 식별된 친구의 상호작용 콘텐츠를 명시적으로 검색해 후속 랭킹 단계에 도달할 고품질 후보의 충분한 볼륨 확보
• 친구 콘텐츠 랭킹 개선: 연속 피드백 루프를 통해 친구 버블 콘텐츠를 효과적으로 순위 매기도록 모델 활성화
• 표현적 반응 신호 활용: 사랑이나 웃음 같은 표현적 반응이 단순 좋아요보다 더 강한 하위 참여 신호 제공

Impact

버블을 본 사용자는 더 오래 활발하게 시청하고 상호작용했으며, 성장이 짧은 체크인보다 긴 세션에 집중되었습니다. 버블 관련 신호는 장기 참여 패턴에 지연 효과를 나타냈으며, 여러 친구 버블이 있는 비디오는 단일 버블 비디오보다 더 좋은 성과를 보였습니다.

Key Takeaway

사회 신호와 개인 관심을 결합한 추천 시스템을 구축할 때는 관계 강도를 콘텍스트와 함께 명시적으로 모델링하고, 배경 신호만으로는 도달하지 못한 고품질 콘텐츠를 상위 퍼널에서 적극적으로 검색해야 효과적인 순위 학습이 가능합니다.