Publié le 14 janvier 2026 à 20h52. Facebook Reels affine ses recommandations vidéo grâce à une nouvelle approche qui prend en compte directement les préférences exprimées par les utilisateurs, au-delà des simples indicateurs d’engagement. Cette évolution vise à proposer un contenu plus pertinent et à améliorer l’expérience globale sur la plateforme.
- Facebook Reels améliore ses recommandations vidéo en intégrant les retours directs des utilisateurs.
- Un nouveau modèle, appelé UTIS (User True Interest Survey), permet de mieux identifier les centres d’intérêt réels des utilisateurs.
- Ces améliorations se traduisent par une plus grande diversité du contenu proposé et une satisfaction accrue des utilisateurs.
Pour répondre au défi constant d’offrir des recommandations vidéo personnalisées et maintenir l’engagement des utilisateurs sur les plateformes sociales, Facebook Reels a mis en place une nouvelle stratégie axée sur la correspondance des intérêts. L’objectif est de s’assurer que le contenu proposé corresponde réellement aux préférences individuelles de chaque utilisateur. En combinant des enquêtes à grande échelle avec les avancées récentes en matière d’apprentissage automatique, la plateforme est désormais en mesure de mieux comprendre et de modéliser les centres d’intérêt réels de ses utilisateurs.
Pourquoi la compréhension des véritables intérêts est essentielle
Les systèmes de recommandation traditionnels s’appuient souvent sur des signaux d’engagement tels que les « likes », les partages et la durée de visionnage pour déduire les intérêts des utilisateurs. Cependant, ces indicateurs peuvent être imprécis et ne pas refléter pleinement les nuances de ce qui intéresse réellement une personne. Les modèles formés uniquement sur ces données ont tendance à privilégier un contenu à forte valeur d’engagement à court terme, sans nécessairement correspondre aux véritables centres d’intérêt qui garantissent une utilité durable de la plateforme. Pour pallier ce problème, il était nécessaire de disposer d’un moyen plus direct de mesurer la perception qu’ont les utilisateurs de la pertinence du contenu.
Les recherches de Facebook ont démontré qu’une correspondance efficace des intérêts va au-delà de la simple adéquation thématique. Elle englobe également des facteurs tels que l’audio, le style de production, l’ambiance générale et la motivation de l’utilisateur. En tenant compte de ces dimensions, la plateforme peut proposer des recommandations plus pertinentes et personnalisées, encourageant ainsi les utilisateurs à revenir plus fréquemment.
Comment la perception des utilisateurs est mesurée
Pour valider cette approche, Facebook Reels a lancé des enquêtes aléatoires à grande échelle directement dans le flux vidéo, demandant aux utilisateurs d’évaluer la pertinence d’une vidéo par rapport à leurs centres d’intérêt. Ces enquêtes ont été déployées sur Facebook Reels et d’autres surfaces vidéo, permettant de collecter des milliers de réponses contextuelles chaque jour. Les résultats ont révélé que les méthodes traditionnelles d’identification des centres d’intérêt n’atteignaient qu’une précision de 48,3 %, soulignant la nécessité d’un cadre de mesure plus robuste.
En pondérant les réponses pour corriger les biais d’échantillonnage et de non-réponse, Facebook a constitué un ensemble de données complet qui reflète avec précision les préférences réelles des utilisateurs, allant au-delà des signaux d’engagement implicites pour exploiter les retours directs et en temps réel.
Le modèle UTIS : un cadre pour l’enquête sur les véritables intérêts des utilisateurs
Chaque jour, un échantillon aléatoire d’utilisateurs visionnant des vidéos sur la plateforme se voit proposer une enquête simple : « Dans quelle mesure cette vidéo correspond-elle à vos intérêts ? », avec une échelle de notation de 1 à 5. L’objectif est de recueillir des commentaires en temps réel sur le contenu consulté.
Le modèle de classement principal utilisé par la plateforme est un modèle vaste et polyvalent. Facebook a entraîné un modèle UTIS léger – une couche d’alignement – sur les réponses aux enquêtes, en utilisant les prédictions du modèle principal comme caractéristiques d’entrée. Les réponses aux enquêtes ont été binarisées pour simplifier la modélisation et réduire le bruit. De nouvelles fonctionnalités ont également été conçues pour capturer le comportement des utilisateurs, les attributs du contenu et les signaux d’intérêt, afin d’optimiser la prévision de la correspondance entre les intérêts de l’utilisateur et le contenu proposé.
Le modèle UTIS génère une probabilité que l’utilisateur soit satisfait de la vidéo et est conçu pour être interprétable, permettant de comprendre les facteurs qui contribuent à une expérience de correspondance des intérêts réussie.
Intégration du modèle UTIS dans le système de classement principal
Facebook a expérimenté et déployé plusieurs cas d’utilisation du modèle UTIS dans son processus de classement, avec des résultats positifs en termes de rétention des utilisateurs :
- Classement avancé (LSR) : UTIS est utilisé en parallèle du modèle LSR, fournissant une fonctionnalité d’entrée supplémentaire dans la formule de valeur finale. Cela permet d’affiner l’étape de classement final en intégrant les véritables intérêts tout en tenant compte d’autres facteurs.
- Classement précoce (récupération) : UTIS est utilisé pour reconstruire les profils d’intérêt réels des utilisateurs en agrégeant les données des enquêtes pour prédire l’affinité entre un utilisateur et une vidéo. Cela permet de reclasser le profil d’intérêt de l’utilisateur et de trouver davantage de contenus correspondant à ses véritables centres d’intérêt. De plus, des séquences à grande échelle basées sur des modèles de récupération utilisateur-élément sont alignées en utilisant des objectifs basés sur la distillation des connaissances formés sur les prédictions UTIS du LSR.
Le score du modèle UTIS est désormais l’un des éléments pris en compte par le système de classement. Les vidéos susceptibles d’intéresser fortement un utilisateur reçoivent un léger coup de pouce, tandis que celles qui suscitent un faible intérêt sont rétrogradées. Cette approche a permis de :
- Augmenter la diffusion de contenus de niche de haute qualité.
- Réduire les recommandations génériques et de mauvaise qualité basées sur la popularité.
- Améliorer les taux de « likes », de partages et de suivi.
- Améliorer les indicateurs d’engagement et de rétention des utilisateurs.
Depuis le lancement de cette approche, Facebook a observé des performances solides, tant hors ligne qu’en ligne.
- Performances hors ligne : Le modèle UTIS a amélioré la précision et la fiabilité par rapport aux règles heuristiques existantes. L’exactitude est passée de 59,5 % à 71,5 %, la précision s’est améliorée de 48,3 % à 63,2 % et le rappel est passé de 45,4 % à 66,1 %. Ces gains démontrent la capacité du modèle à identifier avec précision les préférences des utilisateurs.
- Performances en ligne : Des tests A/B à grande échelle, menés auprès de plus de 10 millions d’utilisateurs, ont confirmé ces améliorations dans des conditions réelles. Le modèle UTIS a systématiquement surpassé les références, générant un engagement et une rétention plus élevés. Facebook a notamment constaté une augmentation de +5,4 % des notes élevées dans les enquêtes, une réduction de -6,84 % des notes faibles, une augmentation de +5,2 % de l’engagement total des utilisateurs et une diminution de -0,34 % des violations d’intégrité. Ces résultats mettent en évidence l’efficacité du modèle pour améliorer l’expérience utilisateur et proposer un contenu pertinent.
Perspectives d’avenir pour les recommandations d’intérêt
En intégrant les retours d’enquêtes à l’apprentissage automatique, Facebook crée une expérience plus engageante et personnalisée, en proposant un contenu sur Reels qui semble véritablement adapté à chaque utilisateur et encourage les visites répétées. Bien que la modélisation basée sur les enquêtes ait déjà amélioré les recommandations, il reste encore de nombreuses possibilités d’amélioration, notamment en servant mieux les utilisateurs ayant des historiques d’engagement limités, en réduisant les biais dans l’échantillonnage et la diffusion des enquêtes, en personnalisant davantage les recommandations pour différentes cohortes d’utilisateurs et en améliorant la diversité du contenu proposé. Pour relever ces défis et continuer à améliorer la pertinence et la qualité, Facebook explore également des techniques de modélisation avancées, notamment les grands modèles de langage et des représentations utilisateur plus granulaires.
Pour en savoir plus
Sur le même sujet
