چگونه اینستاگرام و تیکتاک محتوای مورد علاقه شما را پیدا میکنند؟
چگونه اینستاگرام و تیکتاک محتوای مورد علاقه شما را پیدا میکنند؟
بسیاری از کاربران شبکههای اجتماعی این تجربه را داشتهاند که فقط چند دقیقه پس از باز کردن اینستاگرام یا تیکتاک، محتوایی میبینند که انگار دقیقاً برای سلیقه آنها ساخته شده است. ویدئوهای صفحه For You در تیکتاک یا ریلزها و پستهای پیشنهادی اینستاگرام گاهی آنقدر دقیق انتخاب میشوند که بعضی افراد تصور میکنند این برنامهها افکارشان را میخوانند یا حتی مکالماتشان را شنود میکنند.
اما واقعیت چیز دیگری است. این دقت بالا از الگوریتمهای پیشرفته هوش مصنوعی، یادگیری ماشین و سیستمهای توصیهگر میآید. این پلتفرمها رفتار کاربران را بهطور مداوم تحلیل میکنند، از هر تعامل کوچک یاد میگیرند و بر اساس آن حدس میزنند چه محتوایی بیشترین احتمال جلب توجه هر فرد را دارد. به همین دلیل، تجربه هر کاربر با کاربر دیگر فرق دارد و فید هر شخص بهتدریج به نسخهای کاملاً شخصیسازیشده تبدیل میشود.
در این مقاله بررسی میکنیم که اینستاگرام و تیکتاک چگونه علایق کاربران را تشخیص میدهند، چه دادههایی را تحلیل میکنند و چرا پیشنهادهای آنها روزبهروز دقیقتر و وابستهتر به رفتار هر فرد میشود.
الگوریتمهای توصیهگر چگونه کار میکنند؟
هسته اصلی این دو پلتفرم، سیستم توصیهگر (Recommendation System) است. وظیفه این سیستم فقط نمایش محبوبترین محتوا به همه نیست. این سیستم باید برای هر کاربر محتوایی را انتخاب کند که بیشترین احتمال تعامل با آن وجود داشته باشد. به همین دلیل، الگوریتم فقط به تعداد بازدید یا لایک یک پست نگاه نمیکند؛ بلکه بررسی میکند آیا این محتوا برای شخص شما مناسب است یا نه.
اگر چنین سیستمی وجود نداشت، همه کاربران تقریباً یک فید مشابه میدیدند و پیدا کردن محتوای جذاب میان میلیونها ویدئو و پست بسیار سخت میشد. در مقابل، الگوریتمهای امروزی تلاش میکنند تجربهای بسازند که هر کاربر احساس کند محتوای نمایشدادهشده دقیقاً مطابق علاقه اوست. این شخصیسازی هم برای کاربر مفید است و هم برای پلتفرم، چون هرچه کاربر بیشتر در برنامه بماند، فرصت بیشتری برای تعامل و نمایش تبلیغات ایجاد میشود.
الگوریتم در عمل مدام از خود میپرسد: اگر این محتوا به این کاربر نمایش داده شود، آیا روی آن توقف میکند، آن را تا انتها میبیند، ذخیره میکند یا برای دیگران میفرستد؟ پاسخ این سؤال، پایه تصمیمگیری سیستم است.
چه دادههایی از رفتار و محتوا تحلیل میشود؟
برخلاف تصور رایج، لایک کردن فقط یکی از دهها سیگنالی است که الگوریتم بررسی میکند. سیستمهای مدرن صدها نشانه رفتاری را همزمان تحلیل میکنند تا تصویر دقیقتری از علاقه واقعی هر کاربر بسازند. مهمترین این دادهها معمولاً شامل موارد زیر است:
- مدت زمان تماشای هر ویدئو
- توقف روی یک محتوا یا رد کردن سریع آن
- لایک، کامنت و پاسخ به استوری
- ذخیره کردن پستها
- ارسال محتوا برای دوستان
- دنبال کردن یا لغو دنبال کردن صفحات
- جستجوهای انجامشده
- هشتگهایی که بیشتر دیده میشوند
- موضوع محتواهایی که چند بار بازبینی میشوند
نکته مهم این است که همه این رفتارها ارزش یکسانی ندارند. برای مثال، ذخیره کردن یک پست معمولاً نشانه علاقه عمیقتری نسبت به یک لایک ساده است، چون نشان میدهد کاربر احتمالاً میخواهد دوباره به آن محتوا برگردد. همینطور، اگر یک ویدئو را تا پایان ببینید یا چند بار تماشا کنید، الگوریتم این رفتار را بسیار جدیتر از یک واکنش سطحی در نظر میگیرد.
چرا مدت زمان تماشا از لایک مهمتر است؟
در تیکتاک و حتی اینستاگرام، Watch Time یکی از مهمترین شاخصهاست. اگر کاربر روی یک ویدئو چند ثانیه بیشتر بماند، الگوریتم آن را بهعنوان نشانه علاقه ثبت میکند. به همین دلیل ممکن است ویدئویی را لایک نکنید، اما چون آن را کامل دیدهاید، در آینده نمونههای مشابه بیشتری برایتان نمایش داده شود. در مقابل، ممکن است چیزی را لایک کنید اما خیلی زود از آن عبور کنید؛ در این حالت سیستم متوجه میشود که علاقه شما چندان عمیق نبوده است.
پروفایل علاقهمندی کاربران چگونه ساخته میشود؟
الگوریتمهای اینستاگرام و تیکتاک برای هر کاربر یک پروفایل رفتاری پویا میسازند؛ پروفایلی که ثابت نیست و با هر تعامل جدید تغییر میکند. این پروفایل در واقع مجموعهای از حدسهای آماری درباره علایق شماست. اگر مدتی روی ویدئوهای آموزشی، فناوری، ورزش یا سفر بیشتر توقف کنید، سیستم بهتدریج متوجه میشود که احتمال علاقه شما به این موضوعات بالاتر رفته است و سهم بیشتری از آنها را در فیدتان قرار میدهد.
این فرایند معمولاً با چند مرحله ساده اما بسیار سریع انجام میشود:
- ابتدا محتواهای متنوعی به شما نمایش داده میشود تا الگوریتم واکنش اولیهتان را بسنجد.
- سپس رفتار شما، مثل توقف، اسکرول سریع، لایک یا ذخیره، ثبت میشود.
- مدل یادگیری ماشین این واکنشها را با رفتار کاربران مشابه مقایسه میکند.
- در نهایت، پیشنهادهای بعدی بر اساس این الگوها اصلاح میشوند.
یکی از روشهای رایج در این زمینه Collaborative Filtering است. در این روش، الگوریتم بررسی میکند کاربرانی که رفتار مشابه شما داشتهاند، بعداً به چه محتواهایی علاقه نشان دادهاند. به همین دلیل ممکن است ویدئویی برایتان نمایش داده شود که قبلاً هرگز درباره آن جستجو نکردهاید، اما بعد از دیدنش احساس کنید دقیقاً مطابق سلیقه شما بوده است.
آیا اینستاگرام و تیکتاک مکالمات را شنود میکنند؟
این سؤال سالهاست مطرح میشود، اما تاکنون شواهد معتبری مبنی بر شنود دائمی مکالمات کاربران برای پیشنهاد محتوا ارائه نشده است. چیزی که باعث شکلگیری این تصور میشود، دقت بسیار بالای الگوریتمها در تحلیل رفتار است. این سیستمها آنقدر دادههای کوچک و پراکنده را کنار هم میگذارند که گاهی میتوانند علاقه جدید شما را حتی قبل از آنکه خودتان متوجه شوید، پیشبینی کنند.
در واقع، آنچه شبیه شنود به نظر میرسد، معمولاً نتیجه ترکیب چند عامل است: جستجوهای قبلی، توقفهای کوتاه روی محتوا، تعامل با صفحات مشابه، موقعیت جغرافیایی، علایق دوستان و الگوهای رفتاری کاربران همسطح. وقتی همه این دادهها با هم تحلیل شوند، نتیجه میتواند آنقدر دقیق باشد که حس کنید برنامه از گفتوگوهای شما خبر دارد، در حالی که در بیشتر موارد فقط از نشانههای رفتاری بسیار ظریف استفاده شده است.
چرا صفحه For You تا این اندازه اعتیادآور است؟
یکی از دلایل اصلی موفقیت تیکتاک، سرعت یادگیری الگوریتم آن است. این سیستم ابتدا مجموعهای متنوع از ویدئوها را به کاربر نشان میدهد و واکنش او را با دقت ثبت میکند. سپس با هر تعامل، پیشنهادهای بعدی را اصلاح میکند و این چرخه را بارها تکرار میکند تا در مدت کوتاهی صفحه For You به یک فید کاملاً شخصی تبدیل شود.
این فرایند بهصورت مداوم ادامه دارد و الگوریتم هیچوقت متوقف نمیشود. هر اسکرول، هر توقف کوتاه و هر بازبینی دوباره، یک سیگنال تازه برای مدل است. همین سرعت یادگیری باعث میشود کاربر خیلی زود احساس کند محتوای صفحه دقیقاً با حالوهوای او هماهنگ شده است و همین هماهنگی، ماندن در برنامه را جذابتر و گاهی اعتیادآورتر میکند.
محتوای جدید چگونه وایرال میشود؟
برخلاف تصور رایج، تعداد دنبالکنندگان همیشه عامل اصلی دیده شدن یک ویدئو نیست. وقتی محتوای جدیدی منتشر میشود، ابتدا آن را به گروه کوچکی از کاربران نشان میدهند. اگر این گروه تعامل خوبی نشان دهد، الگوریتم دامنه نمایش را بیشتر میکند. این روند چند بار تکرار میشود و اگر نرخ تعامل بالا بماند، محتوا میتواند به سرعت به مخاطبان بسیار بیشتری برسد.
آیا میتوان الگوریتم را به نفع خود تغییر داد و آینده آن چیست؟
بله، چون الگوریتم بر اساس رفتار شما آموزش میبیند، تغییر رفتار بهتدریج پیشنهادهای آینده را هم تغییر میدهد. اگر مدتی روی محتوای آموزشی، علمی یا فناوری بیشتر توقف کنید، آنها را ذخیره کنید یا با آنها تعامل داشته باشید، سیستم این تغییر را تشخیص میدهد و سهم بیشتری از چنین محتواهایی را در فید شما قرار میدهد. البته این تغییر فوری نیست و معمولاً نیاز دارد رفتار جدید شما برای مدتی ادامه پیدا کند تا مدل مطمئن شود علایق شما واقعاً عوض شدهاند.
برای اینکه این تغییر سریعتر و دقیقتر اتفاق بیفتد، میتوانید این کارها را انجام دهید:
- روی محتوای مورد علاقهتان بیشتر توقف کنید
- پستهای نامرتبط را سریع رد کنید
- محتواهای مفید را ذخیره کنید یا برای دیگران بفرستید
- صفحات مرتبط با موضوع دلخواهتان را دنبال کنید
- از جستجوهای هدفمند استفاده کنید
در آینده، سیستمهای توصیهگر حتی هوشمندتر هم خواهند شد. ترکیب مدلهای زبانی بزرگ، بینایی کامپیوتر، تحلیل چندرسانهای و یادگیری عمیق باعث میشود شبکههای اجتماعی درک دقیقتری از محتوا و کاربران داشته باشند. احتمالاً این سیستمها نهتنها علایق فعلی، بلکه شرایط لحظهای، هدف استفاده و سبک تعامل هر کاربر را هم در پیشنهادهای خود لحاظ خواهند کرد.
جمعبندی
الگوریتمهای اینستاگرام و تیکتاک بر پایه سیستمهای توصیهگر پیشرفته و مدلهای هوش مصنوعی ساخته شدهاند. این سیستمها رفتار کاربران، مدت زمان مشاهده محتوا، نوع تعاملات و حتی خود تصاویر، ویدئوها و متنها را تحلیل میکنند و تصویری پویا از علایق هر فرد میسازند. به همین دلیل است که فید هر کاربر با کاربر دیگر فرق دارد و پیشنهادها بهمرور دقیقتر میشوند.
ترکیب فناوریهایی مانند یادگیری ماشین، بینایی کامپیوتر، پردازش زبان طبیعی و تحلیل رفتار باعث شده این پلتفرمها تجربهای بسیار شخصیسازیشده ارائه دهند. به همین خاطر گاهی احساس میکنیم این شبکههای اجتماعی ما را بهتر از خودمان میشناسند؛ در حالی که آنها فقط از دادههایی استفاده میکنند که ما در استفاده روزمره در اختیارشان میگذاریم و با تحلیل همین دادهها، محتوایی را انتخاب میکنند که بیشترین احتمال جلب توجه ما را دارد.
