Instagram and Facebook Algorithm: How does the recommendation algorithm work

फेसबुक और इंस्टाग्राम को नियंत्रित करने वाली कंपनी मेटा ने यह समझने के लिए अपने सोशल मीडिया एल्गोरिदम का एक व्यापक अध्ययन जारी किया है कि पारदर्शिता की कमी के लिए आलोचना के बावजूद, उपयोगकर्ताओं को सामग्री की अनुशंसा कैसे की जाती है।

पोस्ट इंस्टाग्राम और फेसबुक एल्गोरिदम: अनुशंसा एल्गोरिदम कैसे काम करता है? 

इंस्टाग्राम और फेसबुक एल्गोरिदम: काफी समय से, मेटा को खुलेपन की कमी के लिए आलोचना का सामना करना पड़ा है, खासकर जिस तरह से यह उपयोगकर्ताओं को सामग्री का सुझाव देने के लिए उपयोगकर्ता डेटा का उपयोग करता है।

व्यवसाय, जो दो सबसे बड़े सोशल मीडिया नेटवर्क को नियंत्रित करता है, ने अब फेसबुक और इंस्टाग्राम पर उपयोगकर्ताओं को सामग्री की अनुशंसा करने के तरीके को समझने के लिए अपने सोशल मीडिया एल्गोरिदम का गहन अध्ययन सार्वजनिक कर दिया है।

इंस्टाग्राम और फेसबुक एल्गोरिदम

उपयोगकर्ता 22 अलग-अलग "सिस्टम कार्ड" देख सकते हैं जो स्पष्ट रूप से विभिन्न प्रकार के एआई सिस्टम को रेखांकित करते हैं जो दो सोशल मीडिया अनुप्रयोगों के विभिन्न हिस्सों में कार्यरत हैं और साथ ही उपयोगकर्ता डेटा जो उन सिस्टमों को संचालित करने के लिए आवश्यक है।

ये कार्ड इस बारे में व्यापक विवरण प्रदान करते हैं कि एआई एल्गोरिदम कई मेटा सेवाओं में सामग्री कैसे वितरित करता है, जिसमें इंस्टाग्राम, फेसबुक के मार्केटप्लेस और कई अन्य पर स्टोरीज़ और एक्सप्लोर शामिल हैं। प्रत्येक कार्ड को चार खंडों में विभाजित किया गया है: एआई सिस्टम का परिचय, इसके संचालन का सारांश, उपयोगकर्ता-अनुकूलन योग्य नियंत्रण, और सिस्टम अंततः सामग्री कैसे वितरित करता है, इसके बारे में अधिक जानकारी।

आप इंस्टाग्राम पर क्या देखते हैं और क्यों?

इंस्टाग्राम पर एक्सप्लोर फ़ंक्शन उपयोगकर्ताओं को उन खातों से छवियां और वीडियो देखने की अनुमति देता है जिन्हें वे फ़ॉलो नहीं करते हैं। इस सुविधा का AI अनुशंसा इंजन तीन चरणों में काम करता है।

सबसे पहले, यह इंस्टाग्राम सामग्री को संकलित करता है जिसे सार्वजनिक किया जाता है और अखंडता और गुणवत्ता के लिए कंपनी के मानकों का अनुपालन करता है। दूसरा, यह संबंधित जानकारी या शौक के साथ उपयोगकर्ता की बातचीत जैसे इनपुट संकेतों को ध्यान में रखता है।

अंत में, यह अपेक्षित आगंतुक रुचि के अनुसार सामग्री को रैंकिंग देने के बाद एक्सप्लोर टैब के अंतर्गत रखता है।

उपयोगकर्ताओं के पास वस्तुओं को "रुचि नहीं है" के रूप में संग्रहीत या लेबल करके इस प्रक्रिया को प्रभावित करने की क्षमता है। वे ऐसी क्लिप और तस्वीरें देखने का विकल्प भी चुन सकते हैं जो वैयक्तिकृत नहीं हैं

फेसबुक की अनुशंसा प्रणाली कैसे संचालित होती है?

फेसबुक फ़ीड्स एक एआई एल्गोरिदम का उपयोग करके कार्य करता है जो आपके द्वारा अनुसरण किए जाने वाले पेजों और आपके दोस्तों से सभी संभावित पोस्टिंग एकत्र करता है। उसके बाद, एआई कई चर को ध्यान में रखता है, जिसमें पोस्ट के लेखक, उनके साथ आपकी पूर्व बातचीत और इसे पसंद करने वाले दोस्तों की संख्या शामिल है।

इन संकेतों के आधार पर, एआई आपके लिए सबसे अधिक प्रासंगिक और मूल्यवान सामग्री के अनुसार पोस्ट को रैंक करता है। उसके बाद, पोस्ट आपके फ़ीड में उनके स्कोर के अनुसार दिखाई देते हैं।

आप यह दर्शाने के लिए कि आपको कोई निश्चित विषय पसंद है या किसी व्यक्ति या संगठन को अनफ़ॉलो करने के निर्देशों का पालन करके "अधिक दिखाएँ" या "कम दिखाएँ" का चयन करके अपने फ़ीड को वैयक्तिकृत कर सकते हैं।

इसके अतिरिक्त, फेसबुक और इंस्टाग्राम ऐसे टूल ला रहे हैं जो उपयोगकर्ताओं को अपने सुझावों को अनुकूलित करने और यह जानने की सुविधा देते हैं कि वे विशेष सामग्री क्यों देख रहे हैं।

इन उपकरणों में "मैं यह क्यों देख रहा हूँ?" टूल और हाल ही में जोड़ी गई रील्स सुविधा जो उपयोगकर्ताओं को अनुशंसित सामग्री को "रुचिशुदा" के रूप में एनोटेट करने देती है। 2021 से, सामग्री को "रुचि नहीं" के रूप में लेबल करना संभव हो गया है।

सिफारिश एल्गोरिदम किस प्रकार काम करता है?

सिफारिश एल्गोरिदम को विभिन्न एप्लिकेशनों में उपयोग किया जाता है ताकि उपयोगकर्ताओं को उनकी पसंदों, व्यवहार, और विशेषताओं के आधार पर आइटम या सामग्री की सिफारिश की जा सके। ये एल्गोरिदम विभिन्न तकनीकों का उपयोग करते हैं ताकि उपयोगकर्ता डेटा और आइटम विशेषताओं को विश्लेषित किया जा सके और प्रासंगिक सिफारिशें तैयार की जा सकें। यहाँ सिफारिश एल्गोरिदम कैसे काम करता है, उसका एक अवलोकन दिया गया है:

1. डेटा संग्रह: सिफारिश प्रणाली को बनाने का पहला कदम डेटा का संग्रह होता है। यह डेटा उपयोगकर्ता इंटरैक्शन (जैसे कि खरीदारी, क्लिक, पसंद, रेटिंग, समीक्षा), आइटम विशेषताओं (जैसे कि जेनर, श्रेणी, विशेषताएं), और संदर्भिक जानकारी (समय, स्थान, उपकरण) को शामिल कर सकता है।

2. 
   

3. डेटा प्रतिनिधित्व: एक बार जब डेटा संग्रहित हो जाता है, तो इसे विश्लेषण के लिए उपयुक्त रूप में प्रतिनिधित्व किया जाना चाहिए। यह अक्सर उपयोगकर्ता-आइटम इंटरैक्शन मैट्रिक्स या अन्य डेटा संरचनाएं शामिल करने के माध्यम से होता है जो उपयोगकर्ताओं और आइटमों के बीच संबंधों को प्रस्तुत करते हैं।

4. 
   

5. उपयोगकर्ता प्रोफ़ाइलिंग: सिफारिश प्रणालियों ने उपयोगकर्ताओं के लिए प्रोफाइल तैयार किए जाते हैं जो उनके इतिहासिक इंटरैक्शन और पसंदों के आधार पर होते हैं। इसमें उपयोगकर्ता व्यवहार का विश्लेषण शामिल है ताकि उनकी पसंद, नापसंद, पसंद और आइटमों के साथ बर्ताव के पैटर्न को समझा जा सके।

6. 
   

7. आइटम विश्लेषण: उसी तरह, सिफारिश प्रणालियाँ आइटमों का विश्लेषण करती हैं ताकि उनकी विशेषताओं, लक्षणों, और अन्य आइटमों के साथ संबंधों को समझा जा सके। इसमें मेटाडेटा, सामग्री विशेषताएं, या उपयोगकर्ता-उत्पन्न टैग के विश्लेषण शामिल हो सकते हैं।

8. 
   

9. सिफारिश तकनीक:

   • सहयोगी फ़िल्टरिंग: यह तकनीक सिफारिशें उपयोगकर्ताओं को समान उपयोगकर्ताओं की पसंदों के आधार पर करता है। यह उपयोगकर्ता-आइटम इंटरैक्शन में पैटर्न की पहचान करता है और समान उपयोगकर्ताओं के व्यवहार के आधार पर पसंद का पूर्वानुमान करता है।
   • 
     
   • सामग्री आधारित फ़िल्टरिंग: सामग्री आधारित फ़िल्टरिंग पिछले में उपयोगकर्ता द्वारा पसंद किए गए आइटमों के समान आइटमों की सिफारिश करता है। इसमें आइटम विशेषताओं का ध्यान दिया जाता है और उन्हें उपयोगकर्ता की पसंद के साथ मेल किया जाता है।
   • 
     
   • मिश्रित दृष्टिकोण: बहुत सी सिफारिश प्रणालियाँ सहयोगी फ़िल्टरिंग और सामग्री आधारित फ़िल्टरिंग तकनीकों को मिश्रित करती हैं ताकि बेहतर प्रदर्शन के लिए बेहतर सिफारिशें प्रदान की जा सकें।
   • 
     
   • मैट्रिक्स अंशीकरण: इस तकनीक से उपयोगकर्ता-आइटम इंटरैक्शन मैट्रिक्स की आयामशीलता को कम किया जाता है जिसे लोअर-डायमेंशनल मैट्रिक्स में विभाजित किया जाता है, जो उपयोगकर्ता पसंदों और आइटम विशेषताओं के पीछे छिपे लेटेंट कारकों को पकड़ता है।
   • 
     
   • गहरी शिक्षा: गहरी शिक्षा तकनीक, जैसे कि न्यूरल नेटवर्क, उपयोगकर्ता डेटा और आइटम विशेषताओं से जटिल पैटर्न सीखने के लिए प्रयोग किया जा सकता है ताकि सिफारिशें उत्पन्न की जा सकें।
   • 
     

10. मूल्यांकन: सिफारिश एल्गोरिदमों का मूल्यांकन निर्धारित करता है जैसे कि सटीकता, प्रासंगिकता, विविधता, आकस्मिकता, और नवीनता के मापदंडों के आधार पर। मूल्यांकन मद्देनज़र रखता है कि सिफारिश प्रणाली का प्रभावीता को मूल्यांकित किया जाए और बेहतर प्रदर्शन के लिए एल्गोरिदम को संशोधित किया जा सके।

11. 
    

12. प्रतिक्रिया लूप: सिफारिश प्रणालियों में फीडबैक मेकेनिज़म को शामिल करने के लिए, जो बदलती हुई उपयोगकर्ता पसंदों को अनुकूलित करने और सिफारिशों को समय-समय पर सुधारने में मदद करता है। यह निरंतर उपयोगकर्ता प्रोफाइल को अद्यतन करने और सिफारिशों को मिलाने के लिए प्रतिक्रिया लूप को शामिल करता है।

संपूर्ण रूप से, सिफारिश एल्गोरिदम व्यक्तिगत पसंदों और व्यवहार के आधार पर उपयोगकर्ता अनुभव को व्यक्तिगत करने का प्रयास करते हैं जिससे उपयुक्त सामग्री, उत्पाद, या सेवाएं प्रदान की जा सके।