Menos de la mitad de los usuarios de Facebook están a gusto con los contenidos que reciben en su muro, según las encuestas realizadas por Meta. ¿Es tu caso? Vemos cómo funciona hoy la selección de contenidos que Meta te enseña y cómo quiere mejorar el mismo algoritmo.
Hasta el momento, los videos que recibes en tu feed de Facebook dependen de tus acciones pasadas, el tiempo que pasas viendo un video, si interactúas con el post o lo compartes. Además, importa la actividad de tus amigos, y regularmente recibes lo que comparten. ¿Realmente funciona? No.
Ofrecerte contenidos que realmente te importan
Por eso, Meta introduce el modelo User True Interest Survey (UTIS). Usa respuestas de encuestas realizadas en Facebook a los usuarios para estimar qué tanto un video coincide con sus intereses reales, más allá de métricas como likes o tiempo de visualización.
Los modelos actuales entrenados únicamente con estos criterios tienden a recomendar contenido con un alto valor a corto plazo para el usuario, medido por el tiempo de visualización y el engagement, pero no captan nuestros verdaderos intereses.
El objetivo de Meta es reforzar el interest matching para que tu feed de Reels se parezca más a los gustos profundos del usuario (temas, estilo, mood), y no solo a contenido popular de consumo rápido.
Por qué no basta el engagement
La investigación de Meta muestra que los hallazgos previos de interés sólo alcanzaban un 48.3% de precisión para detectar intereses reales, lo que evidenció la necesidad de un marco de medición más robusto.
Cómo funciona UTIS
Meta lanza encuestas aleatorias en el feed, preguntando “¿En qué medida este video coincide con tus intereses?” en una escala del 1 al 5, y recolecta miles de respuestas contextuales al día en Reels y otros formatos de video.
Estas respuestas se ponderan para corregir sesgos de muestreo y se usan para entrenar una capa ligera de alineamiento UTIS que se monta sobre el gran modelo multi‑tarea de ranking ya existente.
Integración en el sistema de ranking
Early Stage Ranking (primera etapa o retrieval)
El sistema hace una primera selección: de millones de videos disponibles, elegir solo unos cientos o miles que valga la pena evaluar. En esta etapa inicial, UTIS ayuda a reconstruir el perfil profundo de intereses del usuario: qué temas, estilos narrativos, tonos y formatos le resultan más atractivos.
Late Stage Ranking (última etapa)
En la fase final del algoritmo, la plataforma ya tiene un grupo reducido de videos “finalistas”. Aquí entra en acción un modelo avanzado que decide el orden exacto en que se mostrarán: cuál aparece primero, cuál después y cuál queda más abajo en el feed.
Paralelamente, un sistema llamado UTIS calcula la probabilidad de que cada video conecte con los intereses reales del usuario, no solo con lo que has visto recientemente, sino con lo que verdaderamente te atrae. Ese puntaje se integra en la fórmula final de ranking, permitiendo que los contenidos con mayor afinidad auténtica suban posiciones y los menos relevantes pierdan visibilidad.
Resultados
Meta probó este nuevo algoritmo en condiciones reales mediante experimentos A/B con más de 10 millones de usuarios. Los resultados mostraron una experiencia percibida como más satisfactoria: aumentaron las valoraciones positivas, disminuyeron las negativas y el nivel general de interacción con los contenidos creció. Además, se registró una ligera reducción en la aparición de contenidos que infringen normas de integridad, un efecto secundario valioso en tiempos donde la calidad del feed es tan importante como su personalización.
Por fin, Meta promete mejorar la calidad de los contenidos que recibimos en nuestro muro. ¿Será que la red social más utilizada alrededor del mundo levante su mala reputación de contenidos repetitivos, demasiada publicidad y videos tipo IA slop que recibimos a diario?
Para profundizar:
https://dl.acm.org/doi/10.1145/3705328.3748119?ref=engineeringatmeta
