Facebook Reels evolve il proprio sistema di raccomandazione introducendo feedback diretti degli utenti all’interno dell’AI di ranking, superando i limiti di segnali tradizionali come watch time, like e share. Il team di Meta ha descritto come l’integrazione sistematica di survey post-visione consenta al modello di prevedere meglio l’interesse reale per i contenuti, migliorando contemporaneamente engagement, diversità e integrità della piattaforma Facebook Reels.
Il risultato non è un semplice affinamento incrementale, ma un cambio di paradigma: l’algoritmo smette di dedurre le preferenze solo da comportamenti indiretti e inizia a chiedere esplicitamente agli utenti se un video ha davvero corrisposto ai loro interessi.
Cosa leggere
Il sistema di raccomandazione di Facebook Reels e i suoi limiti storici
Reels nasce come piattaforma di video brevi fortemente guidata dall’AI, con un sistema di raccomandazione che storicamente si è basato su metriche di engagement osservabile. Like, commenti, tempo di visione e condivisioni sono segnali potenti, ma intrinsecamente rumorosi. Un video può essere guardato fino alla fine per curiosità, per la musica o per il contesto sociale, senza che questo implichi un reale allineamento con gli interessi dell’utente.
Questa ambiguità ha portato nel tempo a due effetti collaterali: una sovra-rappresentazione di contenuti generici ad alto engagement superficiale e una penalizzazione dei contenuti di nicchia, spesso più rilevanti per specifici gruppi di utenti ma meno performanti sulle metriche classiche. Il team di Facebook Engineering ha riconosciuto che, per ottimizzare la soddisfazione di lungo periodo, serviva un segnale più diretto e meno interpretativo.
Il feedback diretto come nuovo segnale di interesse
La risposta è stata l’introduzione di survey leggere integrate nel feed, mostrate in modo randomizzato dopo la visione di alcuni video. Agli utenti viene chiesto di valutare, su una scala da 1 a 5, quanto il contenuto appena visto abbia effettivamente corrisposto ai loro interessi.
Questo tipo di feedback esplicito presenta sfide evidenti, a partire dalla scarsità del dato e dai bias di risposta. Non tutti gli utenti rispondono, e chi risponde potrebbe non rappresentare l’intera popolazione. Per questo, gli ingegneri hanno sviluppato un sistema di pesatura e normalizzazione delle risposte, correggendo il nonresponse bias e rendendo il dataset più rappresentativo.
Il vantaggio chiave è qualitativo: a differenza dei like o del watch time, il feedback dichiara intenzione e soddisfazione, fornendo un segnale molto più vicino all’obiettivo finale del sistema di raccomandazione.
Il modello UTIS e l’integrazione nel ranking AI
Per sfruttare questi segnali, Facebook ha introdotto il modello UTIS (User-Topic Interest Score), un layer leggero integrato nel sistema di ranking multi-task di Reels. UTIS non sostituisce i modelli esistenti, ma li arricchisce, stimando la probabilità che un utente sia realmente interessato a un determinato video.
L’addestramento avviene inizialmente su risposte binarizzate delle survey, utilizzando feature che combinano comportamento utente, attributi del contenuto e contesto di fruizione. Per superare la natura sparsa del feedback, il sistema utilizza un Perception Layer che generalizza le informazioni, sfruttando predizioni già disponibili nei modelli principali di Reels.
Questa architettura mantiene un overhead computazionale ridotto e preserva l’interpretabilità del ranking, un aspetto cruciale per il monitoraggio di bias e qualità.
Distillation e fine-tuning: allineare retrieval e ranking
Un elemento centrale dell’implementazione è l’uso di distillation e fine-tuning per allineare l’intera pipeline di raccomandazione. Nelle fasi di retrieval, le predizioni UTIS vengono usate come label distillate per ricostruire profili di interesse più accurati a partire da sequenze utente-item molto ampie.
Nel ranking finale, UTIS entra come feature parallela agli altri obiettivi del modello multi-task, consentendo di boostare i video con alto punteggio di interesse e demotare quelli percepiti come poco rilevanti, anche se performanti su metriche di breve periodo. Questo bilanciamento è progettato per ottimizzare la utility di lungo termine, evitando che l’algoritmo insegua solo l’engagement immediato.
Risultati offline e test su larga scala
I risultati sperimentali mostrano un miglioramento netto. Nei test offline, l’accuracy del modello passa dal 59,5% al 71,5%, con un aumento significativo di precision dal 48,3% al 63,2% e di recall dal 45,4% al 66,1%. Numeri che indicano una capacità molto maggiore di intercettare contenuti realmente rilevanti per l’utente.
Nei test online, condotti tramite A/B test su oltre 10 milioni di utenti, i segnali sono coerenti. I video con rating alti nelle survey aumentano del 5,4%, mentre quelli con rating bassi calano del 6,84%. L’engagement complessivo cresce del 5,2%, e un dato particolarmente rilevante per la governance della piattaforma è la riduzione delle integrity violations dello 0,34%.
Questo indica che il nuovo sistema non solo migliora l’esperienza utente, ma contribuisce anche a ridurre la diffusione di contenuti problematici o di bassa qualità.
Impatto su diversità, creator e retention
Uno degli effetti più interessanti dell’integrazione del feedback diretto è l’aumento della diversità delle raccomandazioni. I contenuti di nicchia, spesso penalizzati dai modelli tradizionali, trovano maggiore spazio quando risultano altamente rilevanti per specifici segmenti di pubblico.
Per i creator, questo significa una distribuzione meno dipendente da dinamiche virali generaliste e più legata all’allineamento con community interessate. Per gli utenti, si traduce in un feed meno ripetitivo e più aderente alle proprie preferenze, con un miglioramento misurabile della retention, in particolare nei primi livelli di utilizzo.
Facebook sottolinea come questo approccio favorisca un ecosistema più equilibrato, in cui l’AI non amplifica solo ciò che genera reazioni rapide, ma ciò che costruisce valore nel tempo.
Trasparenza, ricerca e prospettive future
I dettagli tecnici dell’approccio sono stati pubblicati in un paper presentato a ACM, contribuendo al dibattito accademico sui sistemi di raccomandazione basati su feedback esplicito. È un segnale di apertura che mira a posizionare Facebook come attore di riferimento nella ricerca sui RecSys di nuova generazione.
Guardando avanti, gli ingegneri stanno esplorando l’uso di LLM per ottenere rappresentazioni ancora più granulari delle preferenze, integrando segnali di mood, stile e contesto culturale. L’obiettivo dichiarato è una personalizzazione sempre più fine, senza sacrificare privacy, controllo e integrità.
Domande frequenti su Facebook Reels e feedback AI
In cosa consiste il nuovo feedback utenti su Facebook Reels?
Il sistema introduce survey post-visione che chiedono agli utenti quanto un video abbia corrisposto ai loro interessi. Queste risposte vengono integrate direttamente nel modello di raccomandazione AI.
Perché il feedback diretto è migliore di like e watch time?
Like e watch time sono segnali indiretti e rumorosi. Il feedback diretto esprime esplicitamente la soddisfazione dell’utente, fornendo un’indicazione più accurata dell’interesse reale.
Cos’è il modello UTIS utilizzato da Facebook?
UTIS è un layer leggero che stima la probabilità di interesse utente-contenuto e viene integrato nel ranking multi-task di Reels per migliorare la personalizzazione.
Quali benefici concreti ha portato questo cambiamento?
I test mostrano un aumento del 5,2% dell’engagement, una maggiore diversità dei contenuti raccomandati e una riduzione delle violazioni di integrità, migliorando l’esperienza complessiva sulla piattaforma.
