Hiểu thuật toán xếp hạng nguồn cấp tin tức của Facebook

tích hợp cá nhân facebook

Có được khả năng hiển thị thương hiệu của bạn trong nguồn cấp dữ liệu tin tức của đối tượng mục tiêu là thành tựu cuối cùng của các nhà tiếp thị xã hội. Đây là một trong những mục tiêu quan trọng nhất và thường khó nắm bắt trong chiến lược xã hội của thương hiệu. Nó có thể đặc biệt khó khăn trên Facebook, một nền tảng có một thuật toán phức tạp và không ngừng phát triển được thiết kế để phục vụ khán giả những nội dung phù hợp nhất.

Thứ hạng cạnh tranh là tên được đặt cho thuật toán nguồn cấp tin tức của Facebook nhiều năm trước và mặc dù bây giờ nó được coi là lỗi thời trong nội bộ, nhưng cái tên này vẫn tồn tại và tiếp tục được các nhà tiếp thị sử dụng ngày nay. Facebook vẫn đang sử dụng các khái niệm của thuật toán EdgeRank ban đầu và khung mà nó được xây dựng, nhưng theo một cách mới.

Facebook gọi nó là Thuật toán xếp hạng News Feed. Làm thế nào nó hoạt động? Dưới đây là câu trả lời cho các câu hỏi cơ bản của bạn:

Edges là gì?

Bất kỳ hành động nào mà người dùng thực hiện đều là một câu chuyện nguồn cấp tin tức tiềm năng và Facebook gọi những hành động này cạnh. Bất cứ khi nào một người bạn đăng cập nhật trạng thái, nhận xét về cập nhật trạng thái của người dùng khác, gắn thẻ ảnh, tham gia trang thương hiệu hoặc chia sẻ bài đăng, nó sẽ tạo ra một cạnhvà một câu chuyện về cạnh đó có khả năng hiển thị trong nguồn cấp tin tức cá nhân của người dùng.

Sẽ cực kỳ choáng ngợp nếu nền tảng hiển thị tất cả những câu chuyện này trong nguồn cấp tin tức, vì vậy Facebook đã tạo ra một thuật toán để dự đoán mức độ thú vị của mỗi câu chuyện đối với từng người dùng. Thuật toán Facebook được gọi là “EdgeRank” vì nó xếp hạng các cạnh và sau đó lọc chúng vào nguồn cấp tin tức của người dùng để hiển thị những câu chuyện thú vị nhất cho người dùng cụ thể đó.

Khung EdgeRank gốc là gì?

Ba phần chính ban đầu của thuật toán EdgeRank là điểm mối quan hệ, trọng lượng cạnhthời gian phân rã.

Điểm số sở thích là mối quan hệ giữa thương hiệu và mỗi người hâm mộ, được đo bằng tần suất người hâm mộ xem và tương tác với trang và bài đăng của bạn, ngoài cách bạn tương tác qua lại với họ.

Độ nặng của cạnh được đo bằng cách tổng hợp các giá trị của các cạnh hoặc hành động mà người dùng thực hiện, ngoại trừ các lần nhấp. Mỗi loại cạnh có trọng số mặc định khác nhau, ví dụ: các nhận xét có giá trị trọng số cao hơn thích bởi vì họ cho thấy sự tham gia nhiều hơn từ người hâm mộ. Bạn thường có thể cho rằng các cạnh mất nhiều thời gian nhất để hoàn thành có xu hướng nặng hơn.

Thời gian phân rã đề cập đến thời gian tồn tại của cạnh. EdgeRank là một điểm số chạy, không phải là một điều duy nhất. Vì vậy, bài đăng của bạn càng gần đây, điểm EdgeRank của bạn càng cao. Khi một người dùng đăng nhập vào Facebook, nguồn cấp tin tức của họ được điền với nội dung có điểm số cao nhất tại thời điểm cụ thể đó.

công thức edgerank facebook

Tín dụng hình ảnh: EdgeRank.net

Ý tưởng là Facebook thưởng cho các thương hiệu xây dựng mối quan hệ và đưa nội dung phù hợp và thú vị nhất lên đầu nguồn cấp tin tức của người dùng để các bài đăng được điều chỉnh cụ thể cho họ.

Điều gì đã thay đổi với Facebook Edgerank?

Thuật toán đã thay đổi một chút, nhận được bản nâng cấp với các tính năng mới, nhưng ý tưởng vẫn vậy: Facebook muốn cung cấp cho người dùng nội dung thú vị để họ sẽ tiếp tục quay lại nền tảng này.

Một tính năng mới, câu chuyện gập ghềnh, cho phép các câu chuyện xuất hiện lại mà ban đầu mọi người không cuộn xuống đủ xa để xem. Những câu chuyện này sẽ được đưa lên gần đầu nguồn cấp tin tức nếu chúng vẫn thu hút được nhiều sự tham gia. Điều này có nghĩa là các bài đăng trên trang phổ biến có thể có cơ hội được hiển thị cao hơn ngay cả khi chúng mới được vài giờ (thay đổi cách sử dụng ban đầu của yếu tố phân rã theo thời gian) bằng cách lên đầu nguồn cấp tin tức nếu tin bài vẫn nhận được số lượng cao số lượt thích và nhận xét (vẫn sử dụng các yếu tố điểm số sở thích và trọng số cạnh). Dữ liệu đã gợi ý rằng điều này sẽ hiển thị cho khán giả những câu chuyện họ muốn xem, ngay cả khi họ đã bị bỏ lỡ lần đầu tiên.

Các tính năng khác nhằm cho phép người dùng xem các bài đăng từ các trang và bạn bè mà họ muốn một cách hợp thời hơn, đặc biệt là với các chủ đề thịnh hành. Nội dung cụ thể được cho là chỉ có liên quan trong một khung thời gian nhất định, vì vậy Facebook muốn người dùng xem nội dung đó trong khi vẫn có liên quan. Khi một người bạn hoặc trang mà bạn được kết nối với các bài đăng về điều gì đó hiện đang là chủ đề bàn tán sôi nổi trên Facebook như sự kiện thể thao hoặc buổi ra mắt chương trình truyền hình, bài đăng đó có nhiều khả năng xuất hiện cao hơn trong nguồn cấp tin tức Facebook của bạn, vì vậy bạn có thể xem nó sớm hơn.

Các bài đăng tạo được mức độ tương tác cao ngay sau khi đăng có nhiều khả năng được hiển thị trong nguồn cấp tin tức hơn, nhưng không có khả năng xảy ra nếu hoạt động giảm nhanh sau khi đăng. Suy nghĩ đằng sau điều này là nếu mọi người tương tác với bài đăng ngay sau khi nó được đăng nhưng không quá vài giờ sau đó, thì bài đăng đó thú vị nhất vào thời điểm nó được đăng và có khả năng ít thú vị hơn vào một ngày sau đó. Đây là một cách khác để giữ cho nội dung trong nguồn cấp tin tức kịp thời, phù hợp và thú vị.

Làm cách nào để đo lường phân tích nguồn cấp tin tức trên Facebook của tôi?

Không có công cụ bên thứ ba nào có sẵn để đo điểm EdgeRank của một thương hiệu vì rất nhiều dữ liệu là riêng tư. Một thực tế Điểm EdgeRank không tồn tại bởi vì mỗi người hâm mộ có một điểm yêu thích khác nhau với trang thương hiệu. Hơn nữa, Facebook giữ bí mật về thuật toán và họ liên tục điều chỉnh nó, có nghĩa là giá trị của các bình luận so với lượt thích liên tục thay đổi.

Cách hiệu quả nhất để đo lường tác động của thuật toán áp dụng cho nội dung của bạn là xem bạn đã tiếp cận được bao nhiêu người và mức độ tương tác mà bài đăng của bạn nhận được. Các công cụ như SumAll Facebook Analytics bao gồm dữ liệu này thành một toàn diện phân tích bảng điều khiển hoàn hảo để đo lường và theo dõi các chỉ số này.

Bạn nghĩ gì?

Trang web này sử dụng Akismet để giảm spam. Tìm hiểu cách xử lý dữ liệu nhận xét của bạn.