Thuật toán mạng xã hội là hệ thống tự động chọn, trong hàng nghìn bài có thể hiển thị, vài chục bài sẽ xuất hiện trên màn hình của bạn và theo thứ tự nào. Cách làm phổ biến gồm hai tầng: tầng sinh ứng viên lấy nhanh vài trăm đến vài nghìn nội dung có khả năng phù hợp; tầng xếp hạng dùng mô hình học máy dự đoán xác suất bạn sẽ nhấp, xem hết, thích, bình luận, chia sẻ hoặc bỏ qua, rồi cộng các dự đoán đó theo trọng số thành một điểm số để sắp xếp.
Không có "một thuật toán" bí mật duy nhất. Mỗi nền tảng dùng hàng trăm tín hiệu và nhiều mô hình chồng lên nhau, điều chỉnh liên tục. Thứ quyết định tính cách của bảng tin không nằm ở công thức toán mà ở mục tiêu tối ưu do doanh nghiệp chọn: tối đa thời gian xem, tối đa tương tác, hay cân bằng với các chỉ số như mức hài lòng tự khai và chất lượng nguồn.
Dòng thời gian: từ lọc cộng tác tới học sâu
Hệ thống đề xuất hiện đại là kết quả của ba thập niên nghiên cứu. Vài mốc có tư liệu rõ giúp hiểu vì sao bảng tin vận hành như hiện nay:
- 1992–1994: hệ Tapestry của Xerox PARC dùng chú thích của người đọc để lọc thư; nhóm GroupLens tại Đại học Minnesota công bố hệ lọc tin Usenet dựa trên đánh giá của những người có sở thích giống nhau. Đây là nền móng của lọc cộng tác.
- 2003: Linden, Smith và York mô tả trên IEEE Internet Computing cách Amazon dùng lọc cộng tác theo sản phẩm ("người mua món này cũng mua món kia"), giải bài toán quy mô hàng triệu khách hàng.
- 2006–2009: Netflix Prize thưởng một triệu đô la cho đội cải thiện 10% độ chính xác dự đoán điểm phim. Đội thắng dùng tổ hợp hàng trăm mô hình; kỹ thuật phân rã ma trận trở thành chuẩn. Netflix sau đó cho biết không triển khai toàn bộ giải pháp vì chi phí kỹ thuật không tương xứng với lợi ích.
- 2012: YouTube công bố chuyển trọng tâm đề xuất từ lượt nhấp sang thời gian xem, nhằm giảm tiêu đề câu kéo — một ví dụ cho thấy chọn chỉ số mục tiêu làm đổi hẳn loại nội dung được thưởng.
- 2016: các kỹ sư YouTube (Covington, Adams và Sargin) công bố tại hội nghị RecSys kiến trúc mạng nơ-ron hai tầng sinh ứng viên và xếp hạng, đến nay vẫn là khung tham chiếu.
- Từ 2018: Facebook thông báo ưu tiên "tương tác xã hội có ý nghĩa" từ bạn bè và gia đình; các nền tảng video ngắn phổ biến kiểu đề xuất dựa gần như hoàn toàn vào hành vi xem thay vì danh sách theo dõi.
Tầng một: sinh ứng viên — thu hẹp từ hàng triệu xuống vài trăm
Không mô hình nào chấm điểm nổi hàng tỷ video cho mỗi lần bạn mở ứng dụng trong vài trăm mili giây. Vì vậy tầng đầu dùng các phương pháp rẻ để lấy ra một tập ứng viên. Nguồn ứng viên điển hình gồm: bài mới của tài khoản bạn theo dõi; nội dung mà người có hành vi giống bạn vừa tương tác; nội dung gần về "nghĩa" với thứ bạn từng xem, đo bằng khoảng cách giữa các vectơ biểu diễn; và nội dung đang tăng nhanh trong khu vực của bạn.
Ý tưởng vectơ biểu diễn (embedding) là trung tâm. Mỗi người dùng và mỗi nội dung được biến thành một dãy vài trăm con số, học từ dữ liệu tương tác sao cho người và nội dung hay đi cùng nhau nằm gần nhau trong không gian đó. Tìm ứng viên khi ấy trở thành bài toán tìm láng giềng gần nhất, có thuật toán xấp xỉ chạy rất nhanh.
Hệ quả thực tế: nếu một nội dung không lọt vào tập ứng viên thì dù hay đến đâu cũng không có cơ hội được xếp hạng. Đây là lý do người sáng tạo nội dung nói về việc "được phân phối thử" — nền tảng đưa bài mới tới một nhóm nhỏ, đo phản ứng, rồi mới quyết định mở rộng.
Tầng hai: xếp hạng — dự đoán nhiều hành vi rồi cộng trọng số
Mô hình xếp hạng thường dự đoán đồng thời nhiều hành vi cho từng cặp người dùng–nội dung. Điểm cuối cùng là tổng có trọng số của các dự đoán này, cộng các điều chỉnh về chất lượng và đa dạng. Bảng sau tổng hợp các nhóm tín hiệu phổ biến được các nền tảng công khai ở mức khái quát:
| Nhóm tín hiệu | Ví dụ | Ý nghĩa đối với điểm xếp hạng |
|---|---|---|
| Hành vi tích cực rõ | thích, bình luận, chia sẻ, lưu, theo dõi sau khi xem | Trọng số cao, đặc biệt chia sẻ và lưu vì tốn công hơn |
| Hành vi ngầm | thời gian dừng lại, xem hết, xem lại, phóng to ảnh | Khối lượng lớn, khó giả mạo, là tín hiệu chính của video ngắn |
| Hành vi tiêu cực | ẩn bài, "không quan tâm", báo cáo, lướt qua rất nhanh | Trừ điểm mạnh, thường mạnh hơn một lượt thích |
| Quan hệ | mức độ thân thiết với người đăng, lịch sử trò chuyện | Ưu tiên người bạn hay tương tác |
| Đặc điểm nội dung | định dạng, độ dài, chủ đề, độ mới | Khớp với thói quen định dạng của bạn |
| Bối cảnh | thiết bị, giờ trong ngày, tốc độ mạng | Điều chỉnh loại nội dung theo tình huống |
| Chất lượng và chính sách | nguồn bị gắn cờ, câu kéo, nội dung vi phạm | Hạ hạng hoặc loại khỏi đề xuất |
Trọng số giữa các hành vi là đòn bẩy chính sách quan trọng nhất. Nếu bình luận được tính nặng, nội dung gây tranh cãi sẽ lên; nếu thời gian xem được tính nặng, video dài và cuốn sẽ lên. Các tài liệu nội bộ của một số nền tảng được báo chí công bố trong những năm gần đây cho thấy chính kỹ sư cũng tranh luận gay gắt về việc chọn trọng số.
Mục tiêu tối ưu và định luật Goodhart
Nhà kinh tế Charles Goodhart nêu một nhận xét về chính sách tiền tệ năm 1975, sau này được khái quát hoá: khi một thước đo trở thành mục tiêu, nó không còn là thước đo tốt. Hệ thống đề xuất là minh hoạ rõ nhất. Tương tác ban đầu được chọn vì nó tương quan với việc người dùng thấy nội dung có giá trị. Khi cả hệ thống và người sáng tạo nội dung cùng tối ưu cho tương tác, những thứ kích thích tương tác mà không mang giá trị — tiêu đề gây tò mò, phẫn nộ, tranh cãi giả — được thưởng.
Các nền tảng đã phản ứng bằng cách thêm tín hiệu khó thao túng hơn: khảo sát ngẫu nhiên hỏi người dùng bài này có đáng thời gian không, đánh giá chất lượng nguồn, phạt mẫu câu kéo. Nhưng mỗi chỉ số mới lại trở thành mục tiêu mới. Với người đọc, bài học là đừng coi việc một nội dung "đang được đề xuất nhiều" là bằng chứng cho chất lượng hay độ đúng của nó; đó chỉ là bằng chứng nó khớp với hàm mục tiêu của hệ thống.
Với doanh nghiệp làm nội dung, điều tương tự: tối ưu số lượt xem ngắn hạn có thể làm hỏng thứ khó đo hơn như uy tín và lòng tin của khách hàng.
Những điều thuật toán không làm được, dù hay bị gán cho
Không "đọc ý nghĩ". Cảm giác ứng dụng biết mình vừa nói chuyện gì thường đến từ tín hiệu khác: vị trí, người ở gần, lịch sử tìm kiếm, bạn bè vừa xem gì. Chưa có bằng chứng đáng tin rằng các nền tảng lớn nghe lén micro để đề xuất quảng cáo; các nghiên cứu kiểm tra lưu lượng mạng của ứng dụng không phát hiện điều đó, dù giám sát quyền truy cập vẫn là thói quen tốt.
Không phán xét đúng sai của nội dung. Mô hình xếp hạng dự đoán hành vi, không kiểm chứng sự thật. Lớp kiểm duyệt và gắn nhãn là hệ thống riêng, có độ phủ hạn chế.
Không cố định. Mô hình được huấn luyện lại liên tục; kinh nghiệm "đăng giờ vàng" hay "dùng nhạc thịnh hành" có thể đúng tháng này và sai tháng sau.
Không thể giải thích từng quyết định một cách trọn vẹn. Với mô hình học sâu nhiều tầng, kỹ sư biết tín hiệu nào quan trọng về trung bình, nhưng giải thích vì sao một bài cụ thể xếp thứ ba cho một người cụ thể là bài toán khó; các chức năng "vì sao bạn thấy bài này" chỉ đưa lý do gần đúng.
Cách điều chỉnh bảng tin của chính bạn
Vì hệ thống học từ hành vi, bạn có quyền lực thật với bảng tin của mình nếu chủ động gửi tín hiệu. Các bước dưới đây áp dụng được cho hầu hết nền tảng phổ biến:
- Dùng chức năng "không quan tâm" hoặc "ít hơn thế này" thay vì chỉ lướt qua; tín hiệu tiêu cực rõ có trọng số lớn.
- Không bình luận vào nội dung bạn ghét chỉ để phản bác; với hệ thống, đó vẫn là tương tác và sẽ kéo thêm nội dung tương tự.
- Tìm trong cài đặt bảng tin theo thời gian hoặc chỉ bạn bè, nếu nền tảng có; một số khu vực buộc nền tảng cung cấp tuỳ chọn không cá nhân hoá.
- Xem và xoá lịch sử hoạt động hoặc lịch sử xem định kỳ khi thấy đề xuất lệch hẳn.
- Lưu và chia sẻ có chủ đích nội dung chất lượng; đó là tín hiệu mạnh hơn lượt thích.
- Tách tài khoản theo mục đích công việc và giải trí để hồ sơ sở thích không trộn lẫn.
Quảng cáo trong bảng tin: một hệ xếp hạng chạy song song
Bài tự nhiên và quảng cáo trên cùng một bảng tin được chọn bởi hai hệ thống khác nhau rồi trộn lại. Quảng cáo đi qua một cuộc đấu giá diễn ra trong tích tắc mỗi lần có một vị trí trống: nhà quảng cáo đặt giá thầu cho nhóm đối tượng, nền tảng tính điểm bằng giá thầu nhân với xác suất dự đoán người xem sẽ thực hiện hành động mong muốn, cộng một thành phần chất lượng và trải nghiệm. Vì vậy quảng cáo kém liên quan phải trả giá cao hơn mới thắng được vị trí, và quảng cáo phù hợp có thể thắng với giá thấp.
Điểm then chốt cho người dùng: cùng bộ dữ liệu hành vi nuôi cả hai hệ thống. Thứ bạn xem trong bảng tin ảnh hưởng tới quảng cáo bạn nhận, và ngược lại phản ứng của bạn với quảng cáo cũng là tín hiệu về sở thích. Với doanh nghiệp, hiểu cơ chế đấu giá giải thích vì sao chi phí cho mỗi kết quả tăng vọt vào mùa cao điểm như dịp cuối năm: nhiều nhà quảng cáo cùng tranh một lượng người xem không đổi. Nó cũng giải thích vì sao nội dung quảng cáo hay, khiến người xem dừng lại, giúp giảm chi phí thật, chứ không chỉ là chuyện thẩm mỹ.
Câu hỏi thường gặp
Vì sao bài của trang doanh nghiệp tiếp cận rất ít người theo dõi?
Người theo dõi chỉ là một nguồn ứng viên. Bài vẫn phải cạnh tranh trong tầng xếp hạng với bài của bạn bè và nội dung đề xuất. Nhiều nền tảng cũng ưu tiên nội dung không có đường dẫn ra ngoài. Tỷ lệ tiếp cận tự nhiên thấp là đặc điểm chung, không nhất thiết do trang bị phạt.
Mua tương tác ảo có giúp bài được thuật toán đẩy không?
Thường phản tác dụng. Tương tác từ tài khoản không khớp hồ sơ người xem thật làm sai tín hiệu: nền tảng phân phối thử tới nhóm khán giả giống đám tài khoản ảo, nhận về phản ứng kém, và hạ hạng. Mua tương tác cũng vi phạm điều khoản của hầu hết nền tảng.
Thuật toán video ngắn khác bảng tin truyền thống ở điểm nào?
Bảng tin truyền thống dựa nhiều vào đồ thị quan hệ: bạn theo dõi ai. Video ngắn dựa chủ yếu vào đồ thị sở thích suy ra từ hành vi xem từng giây. Vì mỗi video ngắn, hệ thống thu tín hiệu rất nhanh, nên học được sở thích của người mới chỉ sau vài chục video.
Có thể kiểm toán thuật toán từ bên ngoài không?
Có những phương pháp như tài khoản thử nghiệm có hành vi điều khiển, thu dữ liệu từ người dùng tình nguyện qua tiện ích trình duyệt, hoặc yêu cầu truy cập dữ liệu theo luật ở một số khu vực. Mỗi cách có giới hạn về mẫu và tính đại diện, nên kết quả nên đọc như bằng chứng gián tiếp.
Thời gian đăng bài còn quan trọng không?
Ít hơn trước nhưng vẫn có ảnh hưởng ở giai đoạn phân phối thử: bài đăng khi khán giả cốt lõi đang trực tuyến dễ thu tín hiệu ban đầu tốt. Tuy vậy, chất lượng phản ứng của nhóm đầu tiên quan trọng hơn nhiều so với giờ đăng cụ thể.