So funktioniert Facebooks News Feed: Das soziale Netzwerk erklärt

UPDATE

Facebook hat ein neues Video geteilt, in dem der News Feed Algorithmus nochmal ausführlich erklärt wird. Der Erklär-Clip zeigt, dass die Social-Media-Plattform den Content anhand von vier Parametern bewertet und so ermittelt, ob die Posts für die Nutzer:innen relevant sind. Dieser vier Kriterien sind:

1. Inventory: Posts, die dir angezeigt werden, weil du Personen oder Pages folgst oder in Facebook Gruppen aktiv bist
2. Signals: Facebook überprüft, wie du mit dem angezeigten Content interagierst beziehungsweise in der Vergangenheit bereits interagiert hast
3. Predictions: Der Algorithmus des Plattform versucht zu berechnen, wie wahrscheinlich es ist, dass der gepostete Content für dich relevant ist
4. Score: Facebook bewertet die Inhalte und verteilt – einfach gesprochen – Punkte. Posts mit einer höheren Punktzahl werden dir in deinem News Feed als erstes angezeigt

Alle Infos zur Funktionsweise des News Feed bei Facebook bekommst du auch in dem dem neuen Erklärvideo der Social-Plattform, das du hier ansehen kannst.

Das Update stammt vom 13. Juli 2021.

Wie genau funktioniert eigentlich der Algorithmus von Facebook? Wie kommt die Kombination der Inhalte zustande, die ich als User sehe? Das dürften sich viele Menschen, die Facebook nutzen, bereits häufiger gefragt haben. Und obwohl es auf diese Fragen einige einfache und logische Erklärungen gibt, ist das Zusammenspiel aller Faktoren, die den personalisierten News Feed ermöglichen, komplex. Weil einige dieser Faktoren nicht unmittelbar greifbar sind, haben sich über die Jahre auch verschiedene Mythen zum Algorithmus bei Facebook entwickelt. Jetzt möchte Facebook diesen entgegenwirken – und erklärt auf dem eigenen Blog, wie relevante Inhalte im News Feed individuell zusammengestellt werden.

Tausende Signale für jede Person: So arbeitet der Algorithmus für den News Feed

Obwohl viele Menschen wissen, dass es einen Einfluss auf den Algorithmus bei Facebook und schließlich auf die ihnen angezeigten Inhalte hat, wenn sie Content mit „Gefällt mir“ markieren, kommentieren oder teilen, wird daraus noch nicht ersichtlich, wie genau sich der News Feed zusammenstellt. In einem dedizierten neuen Blogpost, der sich genau damit befasst, gibt Facebook nun konkrete Hintergrundinformationen. So wird erklärt, dass die Auswahl und Reihenfolge des angezeigten Contents vom unternehmenseigenen Ranking-System übernommen wird, das auf maschinellem Lernen basiert. Es sortiert den News Feed fortlaufend, sodass User immer neue und für sie – möglichst – relevante Inhalte dort vorfinden können.

Die große Schwierigkeit liegt darin, das Gesamtvolumen der zur Verfügung stehenden Inhalte für die über zwei Milliarden globalen Nutzer:innen zu kuratieren, dabei einzuordnen und individuell auszuspielen. So heißt es im Blogpost etwa:

Für jede einzelne Person gibt es mehr als tausend Beiträge, die zur Anzeige in ihrem News Feed infrage kommen. Das sind Billionen von Beiträgen für alle Facebook-Nutzer. Außerdem gibt es für jede Person auf Facebook Tausende sogenannte Signale (etwa, wenn die Person einen Beitrag mit „Gefällt mir“ markiert oder kommentiert).

Diese Signale gilt es zu beurteilen. Wird Facebook von Usern geöffnet, wird binnen einer Sekunde prognostiziert, was für diese User interessant sein könnte – und darauf basierend wird ihnen der eigene News Feed präsentiert. Denn so lange braucht der Feed in etwa, um zu laden.

Clickbait-Inhalte und Fake News werden eingedämmt

Während Facebook Inhalte für die User zusammenstellt, werden Content-Elemente, die als Fake News oder Clickbait erkannt werden, weniger stark berücksichtigt. Diese Inhalte möchte das Unternehmen nicht fördern, im Gegenteil. Da die Arbeit an der riesigen Menge an Inhalten für so viele User so umfangreich und vielschichtig ist, werden „mehrere Schichten von Machine-Learning-Modellen und Rankings“ eingesetzt, um Content voraussagen zu können, der für die einzelnen User besonders relevant ist. Demnach gilt bei Facebook:

Das Ranking-System ist bei genauerer Betrachtung kein einzelner Algorithmus.

Am Ende der Sekunde, in der der News Feed beim Öffnen von Facebook lädt, hat dieses Ranking-System die Masse von Inhalten von tausenden Optionen auf wenige hundert reduziert, die im Feed wahrgenommen werden können.

Facebook gibt ein Beispiel: Der Nutzer Juan

Im News Feed der einzelnen User wird von Facebook neben den Content-Elementen, die auftauchen, auch deren Reihenfolge festgelegt. Da es aber weiterhin vage klingt, wenn von Machine-Learning-Modellen und Prognosen die Rede ist, gibt Facebook auf dem eigenen Blog ein Musterbeispiel:

Seit Juan sich gestern eingeloggt hat, hat sein Freund Max ein Foto seines Cocker Spaniels gepostet. Seine Freundin Erika hat ein Video ihrer morgendlichen Laufrunde gepostet. Seine Lieblingsseite hat einen interessanten Artikel darüber veröffentlicht, wie man in der Nacht am besten die Milchstraße sieht. Und in seiner Lieblingskochgruppe gibt es vier neue Sauerteigrezepte. Alle diese Inhalte sind sehr wahrscheinlich relevant oder interessant für Juan, denn er hat sich aktiv dazu entschieden, diesen Personen oder Seiten zu folgen. Um zu entscheiden, welche dieser Inhalte weiter oben in Juans News Feed erscheinen sollen, müssen wir voraussagen, welche für ihn am wichtigsten und wertvollsten sind. Mathematisch ausgedrückt, müssen wir eine Zielfunktion für Juan definieren und eine Ein-Ziel-Optimierung durchführen. 

Die Entscheidung, welche Videos wo im News Feed auftauchen, hängt auch von Interaktionen ab, die Juan mit diesen Personen hat. Interagiert er zum Beispiel häufig mit Erikas Beiträgen, könnte ihr Laufvideo sehr weit oben in seinem Feed auftauchen, wenn es zudem noch recht neu ist. Und sofern er häufiger mit Video-Content interagiert als mit Bildinhalten, wird Facebook Erikas Beitrag über dem von Max anordnen. Die Wahrscheinlichkeit, dass Juan der Inhalt gefällt, wird vom Algorithmus beim Video zur Laufrunde als größer eingeschätzt.

Die Berechnung wird allerdings komplexer, je mehr Interaktionsmodi wie Sharing oder Kommentare dazukommen und je mehr Ziele Facebook anpeilt. Das zentrale Ziel bleibt jedoch die Bereitstellung der je relevantesten Inhalte. Deshalb gibt es dank mehrerer Machine-Learning-Modelle auch mehrere Voraussagen für Juan. Jedes Modell erstellt ein eigenes Ranking und es können Widersprüche auftreten:

Eventuell ist es wahrscheinlicher, dass Juan Erikas Laufvideo mit „Gefällt mir“ markiert als den Artikel über die Milchstraße. Aber gleichzeitig ist es vielleicht auch wahrscheinlicher, dass er den Artikel kommentiert, und nicht das Video. Wir müssen diese unterschiedlichen Voraussagen also zu einer Bewertung kombinieren, die für unser primäres Ziel des langfristigen Mehrwerts optimiert ist. 

Fragen an die User machen den News Feed relevanter

Um zu ermitteln, was für die einzelnen User langfristig relevant ist, fragt Facebook ganz einfach. Ob ihnen ein Beitrag gefallen hat, ob eine Interaktion mit Freunden für sie relevant war oder ähnliches. Über derlei Umfragen wird herausgefunden, welche Handlungen den Nutzer:innen wichtiger sind, was wiederum auf die Content-Prognose einzahlt.

Diese fußt auf einem schrittweisen Prozess, der damit beginnt, dass Facebook, in Juans Beispielfall, alle Beiträge von Kontakten oder abonnierten Gruppen oder Seiten, die seit seinem bis dato letzten Login geteilt wurden, erfasst. Dazu kommen aber auch für Juan potentiell relevante Beiträge, die vor dem letzten Login gepostet wurden, die Juan aber noch nicht gesehen hatte. Diese von Facebook sogenannte „Aufstocklogik“ wird ebenfalls für Interaktionen angewandt.

Wenn ein Beitrag, den Juan bereits gesehen hat, zu einer interessanten Unterhaltung unter seinen Freunden geführt hat, wird auch dieser Beitrag dem Bestand hinzugefügt.

Die über 1.000 Beiträge, die pro Tag und User für den News Feed bereitgestellt werden, kommen durch einen Abgleich in die Auswahl für Juan. Der Bestand potentiell relevanter Inhalte wird mit den präferierten Interaktionen, Content-Elementen und so weiter verglichen. Damit die immense Zahl an Beiträgen für die über zwei Milliarden User in Echtzeit berechnet werden kann, laufen Facebooks Modelle gleichzeitig auf Maschinen, Prädiktoren genannt.

Ersten Voraussagen folgt ein Punkte-Ranking

Sobald die Zahl der in Frage kommenden Beiträge reduziert wurde, kommen auch Integritätsprüfungen ins Spiel. Dann grenzt ein Modell, das als ressourcensparend beschrieben wird, die Auswahl auf 500 Beiträge ein. Ab diesem Punkt werden noch leistungsstärkere neuronale Netzwerke verwendet. Erst jetzt kommt die „eigentliche Beurteilung“. Denn ab diesem Moment kommt es zur konkreten Personalisierung. Jeder Beitrag erhält eine berechnete Punktzahl, ehe er für die News-Feed-Anzeige angeordnet wird. Schließlich kommt noch ein Kontext-Durchgang zum Tragen.

Hier werden Kontextparameter wie Vielfältigkeitsregeln für den Content-Typ angewendet, um sicherzustellen, dass Juans News Feed ausgewogen ist und er nicht mehrere Videobeiträge direkt untereinander sieht. 

Und all das geschieht, während Juan Facebook aufruft. In diesem Video kannst du noch einmal visuell nachvollziehen, wie Facebook den News Feed individuell für seine User gestaltet: