Meta以機器學習技術改進Instagram個人化通知，減少通知量但仍維持用戶參與度

Meta運用機器學習技術，進一步改進Instagram每日通知的用戶體驗。藉由因果推斷和機器學習，來辨識本來就會自動瀏覽Instagram內容的高度活躍用戶，透過減少向這些用戶發送通知的數量，改善整體用戶體驗。

Instagram通知是和用戶溝通的管道，Meta過去就已經運用統計與機器學習技術，來個人化通知訊息，Instagram的每日摘要推送通知，會列出可供用戶查看的故事摘要，這類通知發送到用戶裝置時，用戶便可能點擊通知查看這些內容。

在過去上，Meta使用點擊率（CTR）模型的機器學習模型，來預測用戶點擊通知的可能性。CTR模型已經被大量用於社交媒體產業，預測點擊機率可看作是通知品質，當模型預測點擊機率太低，該通知就會在發送流程中被丟棄，用戶也不會真正收到通知，因為模型認為該通知屬於低品質資訊。

事實上點擊率模型在每日摘要通知上非常有用，使用點擊率模型的實際平均點擊，明顯高於不使用該模型的平均點擊率。但是Meta提到，他們注意到使用CTR模型，代表大部分的每日摘要通知都是發送給相對活躍的Instagram用戶，但是對部分活躍用戶來說，即便沒有收到這些摘要通知，他們本來就還是會看到這些內容。

Meta認為，對這些活躍用戶發送更少的通知，反而是提供更好的用戶體驗。但具有挑戰性的部分是正確辨識出這些用戶的方法，因為直接減少這類通知，可能使這些用戶變得不那麼活躍，如果無法正確選擇合適的用戶，這樣的行動可能導致用戶參與度下降。

Meta希望選擇合適的用戶群組，來最大程度提高發送通知的效率，對於這個問題，Meta假設每封每日摘要通知都有固定的成本，這些通知擁有一個總預算，也就是總通知發送量，Meta提到，他們將用戶選擇問題轉變成為預算分配問題，計算發送以及不發送每日摘要通知之間的增量價值，當沒收到通知但用戶依然活躍，則代表該則通知增量價值小。

Meta透過將通知按增量價值排序，選擇增量價值高的通知發送，就可以在有限預算，也就是有限的通知發送量，最大化整體增量價值，但官方提到，要在通知發送和丟棄之前，估算增量價值是一件困難的事。

他們進行了一個隨機實驗來收集資料，並開發出神經網路模型，以用戶的層級來預測發送與不發送通知的增量影響，但是因為所有通知都是線上生成並且進行評分，Meta無法提前替所有候選通知進行增量估算並排序，所以他們設定了一個閾值，當線上生成的通知分數高於特定閾值才會發送。

在採用因果推斷和機器學習改善通知後，Meta大幅減少了Instagram通知量，並且用戶參與度並沒有下降，達到同時改善用戶體驗，並且減少資源使用的目的。