الگوریتم ویترین روبیکا چطور انتخاب می‌کند چه پستی را به شما نشان بدهد؟
احتمالاً برای شما هم پیش آمده که وارد ویترین روبیکا شوید و ببینید یک ویدیو یا پست که حتی صفحه‌اش را دنبال نمی‌کنید، جلوی چشم شما قرار گرفته است.
روبیکا از کجا می‌فهمد چه پستی را نشان بدهد؟
- آیا هر پستی که لایک بیشتری داشته باشد وارد ویترین می‌شود؟
- آیا پست‌های جدید شانس بیشتری دارند؟
- آیا تعداد کامنت‌ها مهم است؟
- و مهم‌تر از همه، اگر یک تولیدکننده محتوا باشیم، چطور می‌توانیم شانس دیده‌شدن پست خودمان را بیشتر کنیم؟
برای پیدا کردن پاسخ این سؤال‌ها، داده‌هایی از پست‌های واقعی الگوریتم ویترین روبیکا بررسی شده است.
نتیجه جالب است: الگوریتم ویترین روبیکا فقط یک لیست از «پربازدیدترین پست‌ها» نیست. در داده‌های بررسی‌شده، چند روش مختلف برای انتخاب پست وجود دارد و یکی از مهم‌ترین آن‌ها سیستمی با نام Two-Tower است.
اما نگران اسم عجیبش نباشید. قرار نیست برای فهمیدن الگوریتم ویترین روبیکا مدرک هوش مصنوعی بگیرید!
Two-Tower یعنی چه؟
اسم Two-Tower شاید در نگاه اول خیلی فنی به نظر برسد، اما ایده‌اش ساده است. فرض کنید یک رستوران دارید و می‌خواهید برای هر مشتری غذای مناسب پیشنهاد بدهید. اگر یک نفر همیشه غذای تند سفارش بدهد، احتمالاً به او قرمه‌سبزی بدون فلفل پیشنهاد نمی‌دهید و اگر کسی همیشه غذای گیاهی بخورد، پیشنهاد کباب احتمالاً چندان هوشمندانه نیست.
سیستم پیشنهاد محتوا هم تقریباً همین کار را انجام می‌دهد.
از یک طرف اطلاعاتی درباره کاربر دارد و از طرف دیگر اطلاعاتی درباره محتوا. بعد بررسی می‌کند: «این محتوا چقدر به این کاربر می‌خورد؟» ، در مدل‌های Two-Tower، به شکل ساده می‌توان گفت یک بخش ویژگی‌های کاربر را بررسی می‌کند و بخش دیگر ویژگی‌های محتوا را. سپس ارتباط این دو با هم بررسی می‌شود.
مثلاً اگر شما مرتباً ویدیوهای آشپزی ببینید، سیستم می‌تواند متوجه شود که محتوای مربوط به آشپزی احتمالاً برای شما جذاب‌تر است. اگر شخص دیگری بیشتر ویدیوهای فوتبال ببیند، همان سیستم می‌تواند محتوای فوتبالی بیشتری برای او مناسب بداند.
پس ممکن است یک پست برای شما جذاب باشد و همان پست برای کاربر دیگری اصلاً نمایش داده نشود. این یکی از مهم‌ترین نکاتی است که از داده‌های ویترین می‌توان برداشت کرد: ویترین فقط یک فهرست ثابت برای همه کاربران نیست.
Two-Tower در داده‌های ویترین روبیکا
در اطلاعات بررسی‌شده، برای تعداد زیادی از پست‌ها عبارتی شبیه این دیده شده است:
- Post Recommender
- TwoTower
- Long
از ۳۵۲ پست یکتایی که در نمونه بررسی شدند، ۲۲۳ پست با منبع two_tower دیده شدند؛ یعنی حدود ۶۳ درصد نمونه. این موضوع نشان می‌دهد که Two-Tower در داده بررسی‌شده یکی از مهم‌ترین مسیرهای انتخاب محتوا بوده است. اما اینجا باید یک نکته مهم را روشن کنیم:
ما فرمول دقیق الگوریتم روبیکا را نداریم.
یعنی از این داده‌ها نمی‌توان گفت مثلاً: «لایک ۳۰ درصد امتیاز دارد، کامنت ۲۰ درصد و بازدید ۱۰ درصد.» چنین عددهایی در داده وجود ندارند. چیزی که می‌بینیم، بیشتر شبیه این است:
- پست‌ها
- چند منبع مختلف انتخاب محتوا
- جمع شدن پست‌های پیشنهادی
- رتبه‌بندی
- نمایش در ویترین
چرا یک پست با لایک کمتر ممکن است وارد ویترین شود؟
این قسمت برای تولیدکننده‌های محتوا مهم است.
فرض کنید در یک مسابقه فوتبال، فقط تعداد گل‌های زده‌شده را معیار انتخاب بهترین بازیکن قرار دهیم. ممکن است یک مهاجم ۳ گل زده باشد، اما یک هافبک فقط یک گل داشته باشد و در عوض چند موقعیت مهم ساخته باشد. پس نمی‌توانیم بگوییم:
«هرکس گل بیشتری زده، حتماً در همه چیز بهتر بوده.»
سیستم پیشنهاد محتوا هم لزوماً با یک عدد کار نمی‌کند. یک پست ممکن است لایک زیادی داشته باشد، اما برای یک کاربر خاص ارتباط کمی داشته باشد. در مقابل، پستی با لایک کمتر ممکن است دقیقاً درباره موضوعی باشد که آن کاربر به آن علاقه دارد. بنابراین:
لایک بیشتر ≠ ورود قطعی به ویترین
بازدید بیشتر ≠ ورود قطعی به ویترین
این یکی از مهم‌ترین نتایجی است که از داده‌های بررسی‌شده می‌توان گرفت.
آیا کامنت مهم است؟
در داده‌ها یک منبع جداگانه با نام comment هم دیده می‌شود. یعنی سیستم برای بخشی از محتوا مسیری با این عنوان دارد. در نمونه بررسی‌شده، یکی از پست‌های این گروه حدود ۲۷۵۸ لایک، ۱۶۰ کامنت و ۸۷۶۴۸ بازدید داشت.
اما این به معنی این نیست که اگر ۱۶۰ کامنت بگیرید، حتماً وارد ویترین می‌شوید.
مثل فوتبال است. داشتن مهاجم گلزن مهم است، اما فوتبال فقط مهاجم نیست. کامنت یکی از سیگنال‌هایی است که در داده‌ها دیده می‌شود، ولی نمی‌توان از این اطلاعات نتیجه گرفت که «تعداد کامنت به تنهایی» عامل اصلی ورود به ویترین است. پس به جای اینکه زیر هر پست بنویسیم: «لایک کن، کامنت بذار، فالو کن!»
بهتر است محتوایی بسازیم که واقعاً مردم را به صحبت کردن وادار کند.
مثلاً به جای: «نظر بدهید.» بگوییم:
«اگر قرار باشد فقط یک قابلیت به روبیکا اضافه شود، شما کدام را انتخاب می‌کنید؟»
دومی دلیل بیشتری برای پاسخ دادن ایجاد می‌کند.
random و global یعنی چه؟
یکی دیگر از موارد جالبی که در داده‌ها دیده شد، عبارت:
- random
- global
است. اسمش تقریباً خودش را لو می‌دهد.
سیستم فقط نمی‌خواهد همان چیزهایی را نشان دهد که از قبل می‌داند محبوب هستند. بخشی از محتوا می‌تواند از یک مسیر اکتشافی یا تصادفی وارد مجموعه پیشنهادها شود.
برای فهم بهتر، دوباره آشپزی را تصور کنید. اگر یک رستوران فقط غذاهایی را به مشتری پیشنهاد دهد که قبلاً سفارش داده، مشتری هیچ‌وقت غذای جدیدی امتحان نمی‌کند. پس رستوران ممکن است گاهی یک غذای جدید هم پیشنهاد بدهد:
«این غذای جدید را هم امتحان کن، شاید خوشت آمد.»
سیستم پیشنهاد محتوا هم به چنین ایده‌ای نیاز دارد. اگر فقط پست‌های قبلاً موفق را نشان دهد، حساب‌های جدید و محتواهای جدید تقریباً شانسی برای دیده‌شدن ندارند. به همین دلیل وجود random/global در داده‌ها می‌تواند نشانه‌ای از بخش اکتشافی سیستم باشد.
البته باز هم باید دقت کنیم که جزئیات دقیق این بخش از داده موجود مشخص نیست.
blogger چیست؟
در داده‌ها منبع دیگری با نام blogger هم وجود دارد. این یعنی بخشی از پست‌ها از یک مسیر جداگانه (پیج‌های بلاگری) با این برچسب وارد مجموعه محتوا شده‌اند. اما از این داده به تنهایی نمی‌توان گفت دقیقاً چه حساب‌هایی در گروه blogger قرار می‌گیرند یا چه شرایطی باعث می‌شود یک پست از این مسیر انتخاب شود.
پس درباره آن فقط می‌توانیم بگوییم: «یک منبع جداگانه با نام blogger در داده‌ها وجود دارد.» نه بیشتر.
Explore:Pin چیست؟
در بعضی پست‌ها اصلاً ساختار post_recommender دیده نمی‌شود و به جای آن عبارتی مانند: Explore:Pin وجود دارد. این مورد احتمالاً به محتوای پین‌شده یا انتخاب‌شده (تبلیغات در روبیکا) برای ویترین مربوط است.
برای مثال، در داده‌های بررسی‌شده نمونه‌هایی از محتوای مربوط به فیلم با این برچسب وجود داشت. این موضوع یک نکته مهم را نشان می‌دهد: همه پست‌هایی که در ویترین می‌بینیم الزاماً از یک مسیر واحد و یک مدل انتخاب نشده‌اند.
پس ویترین را بهتر است یک «سبد بزرگ از چند منبع مختلف» تصور کنیم. الگوریتم ویترین روبیکا را مثل یک تیم فوتبال ببینید اگر بخواهیم تمام ماجرا را با فوتبال توضیح دهیم، ویترین شبیه یک تیم فوتبال است.
- Two-Tower می‌تواند یکی از بازیکنان اصلی تیم باشد.
- comment یک بازیکن دیگر است.
- blogger یک مسیر دیگر است.
- random/global هم می‌تواند نقش بازیکنی را داشته باشد که برای ایجاد تنوع وارد ترکیب می‌شود.
- Explore:Pin هم مسیر جداگانه‌ای برای بعضی محتواها دارد.
در پایان، خروجی این مسیرها با هم ترکیب می‌شود و تعدادی پست در ویترین قرار می‌گیرند.
پس نباید دنبال یک دکمه جادویی باشیم که بگوییم: «اگر این کار را انجام بدهی، صددرصد وارد ویترین می‌شوی.»
چنین چیزی از داده‌های فعلی قابل اثبات نیست.
چطور شانس ورود پست به ویترین روبیکا را بیشتر کنیم؟
حالا برسیم به سؤال اصلی. اگر یک صفحه روبیکا داشته باشیم، چه کاری انجام دهیم؟
۱. موضوع پست را واضح کنیم
تصور کنید می‌خواهید یک غذای جدید به مشتری معرفی کنید. اگر فقط بگویید: «امروز یه چیز خفن داریم!» مخاطب دقیقاً نمی‌داند با چه چیزی روبه‌رو است.
اما اگر بگویید: «طرز تهیه پاستای مرغ و قارچ در ۱۵ دقیقه» موضوع کاملاً مشخص است.
در تولید محتوا هم همین است. به جای کپشن‌های بسیار مبهم، موضوع پست را واضح کنید. مثلاً: «۳ قابلیت روبیکا که احتمالاً نمی‌شناسید» از این جمله: «این دیگه آخرشه!» اطلاعات بیشتری درباره موضوع محتوا می‌دهد.
این موضوع مخصوصاً برای سیستم‌های مبتنی بر درک معنایی محتوا می‌تواند منطقی‌تر باشد.
۲. محتوایی بسازیم که دلیل تعامل ایجاد کند
اگر یک مسابقه فوتبال برگزار شود و کسی به تماشاگر نگوید چرا باید بازی را دنبال کند، احتمالاً جذابیت کمتری ایجاد می‌شود. در محتوا هم باید دلیل تعامل وجود داشته باشد. مثلاً یک سؤال واقعی مطرح کنید:
«به‌نظرتان مهم‌ترین مشکلی که روبیکا باید در آپدیت بعدی حل کند چیست؟»
این با جمله «کامنت یادت نره» فرق دارد. اولی موضوع برای صحبت کردن دارد، دومی فقط یک درخواست است.
۳. فقط دنبال لایک نباشیم
این شاید مهم‌ترین توصیه باشد. با توجه به داده‌های بررسی‌شده، نمی‌توان گفت:
«هر پستی که لایک بیشتری بگیرد، حتماً بالاتر می‌رود.»
پس به جای تمرکز روی یک عدد، مجموعه رفتار مخاطب را بررسی کنید.
- بازدید چقدر بوده؟
- چند نفر واکنش نشان داده‌اند؟
- چند کامنت گرفته؟
- موضوع پست چه بوده؟
- مخاطب چه کسانی بوده‌اند؟
- پست چه زمانی منتشر شده؟
هرچه داده بیشتری داشته باشید، بهتر می‌توانید بفهمید چه محتوایی برای صفحه خودتان جواب می‌دهد.
۴. محتوای قابل فهم تولید کنیم
سیستم پیشنهاد محتوا باید بفهمد پست درباره چیست. مثلاً این دو جمله را مقایسه کنید: «ببین چی شده!» و: «آموزش درست کردن کیک شکلاتی بدون فر» دومی موضوع مشخصی دارد. همین مسئله در محتوای خبری، آموزشی، ورزشی، سرگرمی و سایر حوزه‌ها هم وجود دارد.
۵. محتوای جدید را آزمایش کنیم
وجود مسیر random/global در داده‌ها نشان می‌دهد سیستم فقط به محتوای کاملاً شناخته‌شده متکی نیست. پس اگر محتوای جدیدی دارید، آزمایش کردن آن منطقی است. ممکن است یک فرمت جدید، موضوع جدید یا نوع جدیدی از ویدیو بهتر از چیزی باشد که همیشه منتشر می‌کردید.
۶. تعامل مصنوعی را راه‌حل قطعی ندانیم
از داده‌های موجود نمی‌توان نتیجه گرفت که خرید لایک یا کامنت باعث ورود قطعی به ویترین می‌شود. حتی اگر یک پست عددهای بزرگی داشته باشد، هنوز نمی‌دانیم سیستم در رتبه‌بندی دقیقاً چه چیزی را بررسی می‌کند.
بنابراین بهتر است به خرید لایک و کامنت، روی محتوا و تعامل واقعی تمرکز شود.
آیا زمان انتشار پست در روبیکا مهم است؟
احتمالاً زمان انتشار می‌تواند روی عملکرد اولیه پست تأثیر داشته باشد، اما از این نمونه داده نمی‌توان یک ساعت جادویی برای ویترین روبیکا استخراج کرد.
مثلاً نمی‌توان گفت: «ساعت ۹ شب پست بگذارید تا حتماً وارد ویترین شوید.»
چنین نتیجه‌ای به داده‌های بسیار بیشتری نیاز دارد. بهترین کار این است که زمان‌های مختلف را امتحان کنید و نتیجه را برای صفحه خودتان ثبت کنید.
چطور الگوریتم ویترین روبیکا را بهتر بشناسیم؟
اگر واقعاً بخواهیم الگوریتم را بهتر بفهمیم، باید به جای حدس زدن، داده بیشتری جمع کنیم. مثلاً برای هر پست این موارد را ثبت کنیم:
- زمان انتشار
- موضوع پست
- نوع محتوا
- بازدید
- لایک
- کامنت
- سن پست
- زمان ورود به ویترین
- وضعیت پست قبل و بعد از ورود به ویترین
بعد از بررسی تعداد زیادی پست می‌توانیم ببینیم چه الگوهایی تکرار می‌شوند. مثلاً شاید مشخص شود بعضی پست‌ها ابتدا از یک منبع خاص وارد می‌شوند و بعد در ویترین دیده می‌شوند. یا شاید مشخص شود بعضی موضوعات در یک بازه زمانی شانس بیشتری دارند. این نوع بررسی از حدس زدن بسیار دقیق‌تر است.
پس بالاخره الگوریتم ویترین روبیکا چگونه کار می‌کند؟
بر اساس داده‌هایی که بررسی کردیم، الگوریتم ویترین روبیکا را می‌توان به زبان ساده این‌طور تصور کرد:
پست‌های مختلف
↓
چند مسیر برای انتخاب محتوا
↓
Two-Tower، comment، blogger، random و مسیرهای دیگر
↓
ترکیب و رتبه‌بندی
↓
نمایش در ویترین
در این میان، Two-Tower یکی از مهم‌ترین مسیرهای مشاهده‌شده است و در نمونه بررسی‌شده حدود ۶۳ درصد پست‌های یکتا از این مسیر آمده‌اند. اما این به معنی آن نیست که «Two-Tower به تنهایی ویترین را کنترل می‌کند». همچنین نمی‌توان از داده فعلی فرمول دقیق امتیازدهی را استخراج کرد.
اگر بخواهیم تمام مقاله را در چند جمله خلاصه کنیم:
- الگوریتم ویترین روبیکا فقط بر اساس لایک و بازدید کار نمی‌کند.
- در داده‌های واقعی بررسی‌شده، چند مسیر مختلف برای انتخاب پست دیده شده است.
- مهم‌ترین مسیر مشاهده‌شده، postrecommender با مدل two tower است.
- سیستم احتمالاً تلاش می‌کند محتوای مناسب را با کاربران مناسب تطبیق دهد.
- در کنار آن، مسیرهایی مانند comment، blogger، random، new و Pin نیز دیده شده‌اند.
بنابراین برای ورود به ویترین، دنبال یک فرمول جادویی نباشید.
محتوای مشخص تولید کنید، دلیل واقعی برای تعامل ایجاد کنید، موضوعات مختلف را آزمایش کنید و عملکرد پست‌ها را اندازه بگیرید.
مثل آشپزی است: یک بار غذا درست کردن و نتیجه نگرفتن، به این معنی نیست که آشپزی بلد نیستید. چندین بار مواد، روش و زمان را آزمایش می‌کنید تا بفهمید چه ترکیبی بهتر جواب می‌دهد.
روش بررسی
این مقاله بر اساس نمونه‌ای شامل ۸ پاسخ داده‌ای و ۴۳۲ رکورد پست، با ۳۵۲ پست یکتای قابل بررسی تهیه شده است.
داده‌ها شامل اطلاعاتی مانند track_id، زمان انتشار، تعداد لایک، تعداد کامنت، بازدید، نوع فایل و نوع نمایش پست بوده‌اند.
نتایج این مقاله مربوط به همین نمونه داده است و نباید به عنوان مستندات رسمی یا اعلامیه رسمی روبیکا درباره الگوریتم ویترین در نظر گرفته شود.
