Facebook动态消息揭秘（一）
编者按：本文编译自Slate的探秘著作。作家可贵探问到了Facebook的动态音讯团队，知道到了是谁节制着你正在Facebook看到的动态音讯，以及为什么它那环球最有影响力的算法要继续转折。篇幅较长，咱们将连载刊出。
每当你掀开Facebook，环球最有影响力、最具争议、最被误会的算法就先导生动起来。它会扫描并征求过去一周你每一位伴侣、你合切过的每一小我、你所属的每一个小组公布过的东西，再有你点赞过的每一个Facebook页面。对待平凡Facebook用户来说，这个数通俗领先了1500。倘使你的伴侣有好几百，那数字不妨会高达10000。这之后，正在被厉加监视和继续调剂的公式影响下，Facebook的动态音讯（news feed）就会对它们服从（它认为你认为的）帖子的价格水平实行排名。大大批用户长期只会看到前几百。
Facebook以外的人都不知晓它是奈何做的，公司内部的人也不会告诉你（倒是有前员工正在知乎上注解过动态音讯的广告机制）。只管这样，这种主动排名机制还是塑制着领先10亿（相当于环球成年人丁的1/5）日生动用户的社交生存和阅读习气。这种算法的病毒式散布才能倾覆了扫数媒体业，把像BuzzFeed和Vox如此的始创企业的影响力推高到了新的高度，而很众百垂老店却只可渐渐凋落死去。它给Zynga和LivingSocial如此的公司一步登天（价格10亿美元）供应了动力，所要的回报不外是1、2年后从后者身上吸点氦气—它只用略微调剂一下自身的代码，就让其余投资者两袋空空，员工下岗。Facebook的动态音讯算法调剂一下就能让咱们速活或忧愁，它既能向咱们展现新的有离间性的念法，也能把咱们囚系正在泡沫化的认识形状内中。
Facebook的动态音讯算法塑制的不只是咱们能读到什么和奈何维系接触，还包含奈何讲故事来吸引咱们的贯注力。深悟此道的出书商从一先导就愚弄了算法的癖好来炮制出病毒式通行的实质。Facebook的工程师则通过继续调剂代码贬低某些类型的帖子晋升另少许来以牙还牙。要念知晓媒体病毒式散公告成的公式这些年是奈何变更的，只需看看当年通行的帖子是什么样的就行了。
只管Facebook的动态音讯算法有着各类强健，却不文雅得令人惊讶，善变得令人抓狂，不透后得执迷不悟。当然它凡是不会把咱们以为是不对紧要的、令人憎恨的、带有误导性或者索然没趣的帖子放出来。Facebook知晓哪些是如此的帖子。过去几个月，这家社交收集不断正在实行着测试，测试实质是挨着高排名的帖子放低排名的，然后让用户拣选可爱看哪个。结果呢？算法的排名“有工夫”会依照用户的喜欢实行调剂，Facebook供认这一点，但拒绝吐露更众详细细节。该公司说，一朝不完婚，就意味着“某个地方要更正。”
“有工夫”代外的，不是你所预期的值得炫耀和令人哆嗦的那点代码的告成率。动态音讯过于强健的影响力曾经招致了持续串的质疑，说它给人强加了自身的意志—就恰似某种秘密式子的智能，正在全天下限度扩散，以到达弗成告人的主意。跟着Facebook等硅谷巨头继续过滤咱们的拣选并通过呆板练习软件领导（诱导）咱们做出决定，Elon Musk如此的技巧巨头和霍金如此的科学巨匠都发出申饬说人工智能会组成存正在威迫，算法（参睹有没有主宰天下的主算法）这个词自身曾经先导形成令人恐惧的影响。正在凡是人看来，算法是秘密而又强健的实体，标记着技巧和今世性所知足咱们的每一种志愿以及威迫咱们所吝惜的价格的全体本事。
当然，Facebook的算法也许没那么怪诞，但照旧令人入神。我迩来可贵有机缘到Facebook总部跟他们的动态音讯团队坐正在沿途，实地看看对算法实行的那些名声有点不太好的、影响市集走势的“调优”—看看他们为什么要如此做，是奈何实行的，以及奈何确定调剂生效了。对算法内部职业的井蛙之见不只让我体会了Facebook动态音讯的机制，也理睬了呆板练习的限度性，数据驱动决定的罗网，以及Facebook继续巩固的征乞降解决用户反应的步骤（此中包含一支继续强盛的专家测试组，这相当于Facebook的Nielsen家族）意旨何正在。
我所知道到的是，Facebook算法的缺陷不正在于体例存正在少许挫折，而正在于从基本上来说，Facebook软件背后的智能原本照样人，而不是像科幻小说迷所幻念的，完整告终的、蓄志识的算法。是人类决计着放哪些数据进去，奈哪里置这些数据，以及另一头出来的是什么东西。算法出题目时，该诽谤的应当是人。算法变了，是由于有一群人读了一堆的外格，开了一堆的会，跑了一堆的测试才决计要把它改得更好。那它继续变得越来越好又奈何说？那是由于另一群人继续告诉他们什么地方做得不敷：这群人即是咱们。
当我抵达Frank Gehry 计划的Facebook总部时，招待我的是一位身段瘦高的人，他那张带孩子气的脸霎时映现诚实的乐颜，霎时有维系着激烈的笃志。37岁的Tom Alison是动态音讯团队的工程总监，担当管担当算法的那助人。
Alison领着我穿过迷宫相似陈列的隔间和盛开式小厨房去一间小聚会室，他担保到那之后要为我揭开Facebook算法的秘密面纱。途中我认识到自身须要上个茅厕，就问他正在哪里。他不自愿地做了个鬼脸，然后先导赔礼，乐着说“我带你去。”一先导我认为他这么做是为了避免我走失。但当我从内中出来时，创造他还站正在外面，我从速认识到他是不会让我一小我乱跑的。
出于同样的原因—Facebook对其贸易机密的精细袒护，Alison不行告诉我太众动态音讯算法代码组成方面的东西。不外他倒是可能告诉我算法做了什么，为什么要这么做，以及为什么会不断变。就像工程师都市这么干相似，他先从白板先导。
“学打算机科学时，你最先接触的算法即是排序算法，”Alison说着，用白板笔轻易写了一串正整数。
要做的职责很纯洁：计划算法对这些数字从小到大实行排序。“人知晓奈何做这个，”Alison说：“咱们正在脑子内中转转就出来了。”
然而打算机却须要你如数家珍地告诉它奈何做。而这个须要一个算法：用一组详细的指令来办理特定题目。Alison给我演示的是“冒泡排序”，梗概是这么做的：
冒泡排序的益处是纯洁。纰谬是：倘使数据集很大打算功效会很低且耗时。出于显而易睹的原由，Facebook没有采用冒泡排序。它实在用了排序算法来对一齐产生正在你的动态音讯上面的帖子实行排序。不外这只是微亏空道的一局限—主算法内中的一个很小的子算法。哪一块才是要紧的？第偶然间给一齐的帖子赋值的算法。简而言之，这即是动态音讯排名团队的职业：计一致个不妨给任何Facebook帖子付与对任何特定用户的“相干性得分”的体例。
这是一个很贫窭的题目，由于跟你相合的相似东西—好比你的童年知己或者你合切的某位名士的帖子有不妨跟我一点相干都没有。对待这一点，Alison注解说，Facebook采用了分歧类型的算法，这种算法叫做预测算法。（跟Google的寻求算法或者Netflix的举荐算法相似，Facebook的动态音讯算法也是一个由更小算法构成的、继续蔓生的相当丰富的软件。）
“这么说吧，我要你选出一场还没打的竞赛的获胜者，好比公牛对湖人，”Alison先导了。“公牛，”我脱口而出。Alison乐了，不外他接着用力场所了颔首。我的大脑曾经采纳了他的输入并从速形成出了一个语音输出，其依照也许即是它自身的某个开顽笑算法。（人类大脑的算法比硅谷迄今计划的任何算法都要丰富良众，但却也主要依赖于动员，容易被骗受愚也是出了名的。）
轻易猜一个也不错，倘使这么做没什么价值的话，Alison说。不外咱们再来假设一下，假若我的输赢预测决计了良众钱的去留，而且每天如此的预测都要做好几百万次，那就得要一个加倍体例化的技巧。“不妨你会先从侦察史册数据先导，”他说：“你会先看看每一支球队的输赢纪录，每一位球员的纪录，谁受伤了，谁维系着连胜。”也许你还洽商酌境遇要素。谁是主队？某一队是不是停息不敷或者方才通过长途飞舞过来？你的预测算法不妨要商酌一齐这些或更众的要素。预测得好的话，它不只能预测出竞赛的获胜者，还能告诉你对结果实在信度。
Facebook动态音讯算法对你是否可爱特定帖子的预测跟这个好似。我问Alison Facebook的算法要商酌众少个变量—或者用人工智能的术语来说，“特点”。“几百个，”他回复道。
它预测的不只仅是依照你过去的作为看你会不会对帖子点赞。它还会预测你会不会看，会不会评论，会不会分享或则遁匿帖子，乃至把它列为垃圾。它会预测每一个的结果，以及结果实在信度，然后再组合来天生一个与你和谁人帖子相合的相干性分数。一朝你的动态音讯内中的每一个帖子都取得了相干性得分，排序算法就会服从你正在屏幕上望睹的那样对帖子实行排序。你看到的排正在前面的帖子，是从成千上万个帖子内中被抽取出来，最有不妨让你乐，让你哭，让你点击让你可爱，让你分享或者让你说长道短的。