{"id":25673,"date":"2021-02-26T11:00:20","date_gmt":"2021-02-26T10:00:20","guid":{"rendered":"https:\/\/about.fb.com\/de\/?p=25673"},"modified":"2021-02-26T11:16:15","modified_gmt":"2021-02-26T10:16:15","slug":"relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed","status":"publish","type":"post","link":"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/","title":{"rendered":"Relevante Inhalte individuell zusammengestellt \u2013 so funktioniert der Facebook News Feed"},"content":{"rendered":"<p><span style=\"font-weight: 400\">Wir wollen den Menschen auf Facebook mit dem News Feed ein relevantes und positives Nutzererlebnis bieten. Die Entwicklung eines personalisierten News Feeds f\u00fcr mehr als zwei Milliarden Menschen, die alle unterschiedliche Interessen haben, ist dabei eine schwierige und komplexe Herausforderung.\u00a0<\/span><\/p>\n<div style=\"width: 960px;\" class=\"wp-video\"><video class=\"wp-video-shortcode\" id=\"video-25673-1\" width=\"960\" height=\"540\" preload=\"metadata\" controls=\"controls\"><source type=\"video\/mp4\" src=\"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/02\/201113_NewsFeedAlgo_DE.mp4?_=1\" \/><a href=\"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/02\/201113_NewsFeedAlgo_DE.mp4\">https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/02\/201113_NewsFeedAlgo_DE.mp4<\/a><\/video><\/div>\n<p>&nbsp;<\/p>\n<p><b>Wie sagt der News Feed voraus, was ich sehen m\u00f6chte?<\/b><\/p>\n<p><span style=\"font-weight: 400\">Es gibt viele Theorien und Mythen zum News Feed-Algorithmus. Die meisten Menschen wissen, dass es einen Algorithmus gibt, und viele kennen einige Faktoren, die ihn beeinflussen. Zum Beispiel wenn du einen Beitrag mit \u201eGef\u00e4llt mir\u201c markierst, ihn kommentierst, teilst oder anderweitig damit interagierst.\u00a0 Dennoch gibt es nach wie vor viele Missverst\u00e4ndnisse dazu.\u00a0<\/span><\/p>\n<p><span style=\"font-weight: 400\">Viele Details und Funktionen des News Feeds sind \u00f6ffentlich. <\/span><span style=\"font-weight: 400\">Die Auswahl und Reihenfolge der Inhalte \u00fcbernimmt dabei unser Ranking-System<\/span><span style=\"font-weight: 400\">, das auf maschinellem Lernen (ML) beruht und den News Feed fortlaufend sortiert. Es sorgt daf\u00fcr, dass \u00fcber zwei Milliarden Menschen die Inhalte angezeigt werden, die f\u00fcr sie relevant und bedeutsam sind \u2013 und zwar jedes Mal, wenn sie Facebook aufrufen. Ohne maschinelles Lernen w\u00fcrden die News Feeds der Nutzer mit irrelevanten oder uninteressanten Inhalten \u00fcberflutet, einschlie\u00dflich Werbeinhalten oder Inhalten von sehr aktiven Freunden. Diese Beitr\u00e4ge k\u00f6nnten den Content von Personen verdr\u00e4ngen, die den Nutzern eigentlich wichtiger sind.\u00a0<\/span><\/p>\n<p><span style=\"font-weight: 400\">Dieser Vorgang ist sehr komplex und vielschichtig. Im Folgenden wollen wir die Funktionsweise unseres Ranking-Systems und die Herausforderungen bei der Entwicklung des Systems vorstellen.\u00a0\u00a0<\/span><\/p>\n<p><b>Warum ist das so schwierig?<\/b><\/p>\n<p><span style=\"font-weight: 400\">Erstens ist das Volumen riesig. \u00dcber zwei Milliarden Menschen weltweit nutzen Facebook. F\u00fcr jede einzelne Person gibt es mehr als tausend Beitr\u00e4ge, die zur Anzeige in ihrem News Feed infrage kommen. Das sind Billionen von Beitr\u00e4gen f\u00fcr alle Facebook-Nutzer. Au\u00dferdem gibt es f\u00fcr jede Person auf Facebook Tausende sogenannte Signale (etwa, wenn die Person einen Beitrag mit \u201eGef\u00e4llt mir\u201c markiert oder kommentiert). Diese Signale m\u00fcssen wir beurteilen, um herauszufinden, was der Nutzer am relevantesten finden k\u00f6nnte. Es gibt also Billionen Beitr\u00e4ge und Tausende Signale \u2013 und wir m\u00fcssen in k\u00fcrzester Zeit vorhersagen, was jede einzelne Person in ihrem Feed sehen m\u00f6chte. Wenn du Facebook \u00f6ffnest, geschieht dieser Prozess in gerade einmal einer Sekunde, die es braucht, um deinen News Feed zu laden. Gleichzeitig gilt, wie auch bei der Bewertung, dass wir Clickbait-Inhalte und Falschmeldungen eind\u00e4mmen.\u00a0 F\u00fcr dieses Zusammenspiel mehrerer Faktoren m\u00fcssen wir immer neue L\u00f6sungen finden. Das Ranking-System ist bei genauerer Betrachtung kein einzelner Algorithmus. Es handelt sich vielmehr um mehrere Schichten von Machine Learning-Modellen und Rankings, mit denen wir den Content voraussagen, der f\u00fcr jeden Nutzer am relevantesten und bedeutsamsten ist. Beim Durchlaufen der einzelnen Phasen grenzt das Ranking-System die Tausenden der infrage kommenden Beitr\u00e4ge auf die wenigen Hundert ein, die schlie\u00dflich im News Feed einer Person erscheinen.<\/span><\/p>\n<p><b>Wie funktioniert das?<\/b><\/p>\n<p><span style=\"font-weight: 400\">Einfach ausgedr\u00fcckt, sagt das System voraus, welche Inhalte du wahrscheinlich am interessantesten finden oder mit welchen du am wahrscheinlichsten interagieren wirst. Auf dieser Grundlage legt es dann fest, welche Beitr\u00e4ge in welcher Reihenfolge in deinem News Feed erscheinen. Diese Vorhersagen h\u00e4ngen von zahlreichen Faktoren ab, einschlie\u00dflich was und wen du k\u00fcrzlich abonniert, mit \u201eGef\u00e4llt mir\u201c markiert oder mit wem du interagiert hast. Zur Veranschaulichung zeigt ein praktisches Beispiel an Beispielnutzer Juan, was passiert, wenn ein Nutzer sich auf Facebook einloggt: Seit Juan sich gestern eingeloggt hat, hat sein Freund Max ein Foto seines Cocker Spaniels gepostet. Seine Freundin Erika hat ein Video ihrer morgendlichen Laufrunde gepostet. Seine Lieblingsseite hat einen interessanten Artikel dar\u00fcber ver\u00f6ffentlicht, wie man in der Nacht am besten die Milchstra\u00dfe sieht. Und in seiner Lieblingskochgruppe gibt es vier neue Sauerteigrezepte. Alle diese Inhalte sind sehr wahrscheinlich relevant oder interessant f\u00fcr Juan, denn er hat sich aktiv dazu entschieden, diesen Personen oder Seiten zu folgen. Um zu entscheiden, welche dieser Inhalte weiter oben in Juans News Feed erscheinen sollen, m\u00fcssen wir voraussagen, welche f\u00fcr ihn am wichtigsten und wertvollsten sind. Mathematisch ausgedr\u00fcckt, m\u00fcssen wir eine Zielfunktion f\u00fcr Juan definieren und eine Ein-Ziel-Optimierung durchf\u00fchren.\u00a0<\/span><\/p>\n<p><span style=\"font-weight: 400\">Um vorherzusagen, ob Juan ein Beitrag gefallen wird, k\u00f6nnen wir die Eigenschaften des Beitrags verwenden, etwa wer in einem Foto markiert ist und wann es gepostet wurde. Wenn Juan zum Beispiel h\u00e4ufig mit Erikas Beitr\u00e4gen interagiert (sie z. B. teilt oder kommentiert) und ihr Laufvideo noch sehr neu ist, besteht eine hohe Wahrscheinlichkeit, dass ihm der Beitrag gefallen wird. Wenn Juan bisher eher mit Videos als mit Fotos interagiert hat, ist die Wahrscheinlichkeit, dass ihm Max\u2019 Foto seines Cocker Spaniels gefallen wird, eher gering. In diesem Fall w\u00fcrde unser Ranking-Algorithmus Erikas Laufvideo weiter oben als Max\u2019 Hundefoto einstufen, da er eine h\u00f6here Wahrscheinlichkeit errechnet hat, dass es Juan gefallen wird. Die \u201eGef\u00e4llt mir\u201c-Markierung ist aber nicht die einzige Art, mit der Menschen auf Facebook ihre Pr\u00e4ferenzen zeigen. Tagt\u00e4glich teilen sie Artikel, die sie interessant finden, sehen sich Videos von Bekannten oder Prominenten an, die sie abonniert haben, oder sie kommentieren die Beitr\u00e4ge ihrer Freunde.\u00a0<\/span><\/p>\n<p><span style=\"font-weight: 400\">Die Berechnung wird immer komplexer, je mehr Ziele wir hinzuf\u00fcgen, die der Algorithmus bei der Optimierung ber\u00fccksichtigen soll. Sie alle unterliegen aber unserem Hauptziel: f\u00fcr unsere Nutzer den h\u00f6chsten langfristigen Wert zu erzeugen, indem wir ihnen bedeutsame und relevante Inhalte zeigen. Mehrere ML-Modelle erzeugen auch mehrere Voraussagen f\u00fcr Juan, also f\u00fcr die Wahrscheinlichkeiten, dass er mit Max\u2019 Foto, Erikas Video, dem Artikel \u00fcber die Milchstra\u00dfe oder den Sauerteigrezepten interagiert. Jedes Modell versucht, ein Ranking f\u00fcr diese Inhalte zu generieren. Manchmal gibt es Widerspr\u00fcche zwischen ihnen: Eventuell ist es wahrscheinlicher, dass Juan Erikas Laufvideo mit \u201eGef\u00e4llt mir\u201c markiert als den Artikel \u00fcber die Milchstra\u00dfe. Aber gleichzeitig ist es vielleicht auch wahrscheinlicher, dass er den Artikel kommentiert, und nicht das Video. Wir m\u00fcssen diese unterschiedlichen Voraussagen also zu einer Bewertung kombinieren, die f\u00fcr unser prim\u00e4res Ziel des langfristigen Mehrwerts optimiert ist.\u00a0<\/span><\/p>\n<p><span style=\"font-weight: 400\">Wie k\u00f6nnen wir aber messen, ob etwas einen langfristigen Wert f\u00fcr eine Person hat? Wir fragen sie einfach. Wir fragen unsere Nutzer beispielsweise, wie bedeutsam sie eine Interaktion mit ihren Freunden fanden, oder ob ihnen ein Beitrag gefallen hat. Auf diese Art kann unser System sich an die Vorlieben und Interessen der Menschen anpassen. Zus\u00e4tzlich k\u00f6nnen wir in unseren Voraussagen miteinbeziehen, welche Handlungen den Menschen wichtiger sind. Auch das erfahren wir \u00fcber Umfragen.<\/span><\/p>\n<p><b>Das Ranking Schritt f\u00fcr Schritt<\/b><\/p>\n<p><span style=\"font-weight: 400\">Damit wir \u00fcber tausend Beitr\u00e4ge pro Nutzer und Tag f\u00fcr \u00fcber zwei Milliarden Menschen in Echtzeit bewerten k\u00f6nnen, brauchen wir einen hocheffizienten Prozess. Wir f\u00fchren ihn in mehreren sinnvoll gestaffelten Schritten durch, damit er so schnell wie m\u00f6glich abl\u00e4uft und m\u00f6glichst wenig Rechenleistung beansprucht. Zun\u00e4chst erfasst das System alle Beitr\u00e4ge, die f\u00fcr Juan infrage kommen (das Foto des Cocker Spaniels, das Laufvideo etc.). Dieser Bestand umfasst alle von Freunden oder abonnierten Gruppen oder Seiten geteilten Beitr\u00e4ge, die seit Juans letztem Login gepostet und nicht gel\u00f6scht wurden.\u00a0<\/span><\/p>\n<p><span style=\"font-weight: 400\">Aber wie gehen wir mit Beitr\u00e4gen um, die noch vor Juans letztem Login gepostet wurden und die er noch nicht gesehen hat? Damit noch nicht gesehene Beitr\u00e4ge ebenfalls in den Auswahlprozess aufgenommen werden, wenden wir eine Aufstocklogik an: Neue Beitr\u00e4ge, die in Juans letzter Sitzung f\u00fcr ihn ausgew\u00e4hlt wurden und die er noch nicht gesehen hat, werden ebenfalls in den Bestand f\u00fcr die aktuelle Sitzung aufgenommen. Au\u00dferdem nutzen wir eine \u00e4hnliche Logik f\u00fcr Interaktionen an. Wenn ein Beitrag, den Juan bereits gesehen hat, zu einer interessanten Unterhaltung unter seinen Freunden gef\u00fchrt hat, wird auch dieser Beitrag dem Bestand hinzugef\u00fcgt. Als N\u00e4chstes muss das System jeden Beitrag nach verschiedenen Faktoren beurteilen, etwa die Beitragsart, die \u00c4hnlichkeit mit anderen Elementen und wie sehr er denjenigen Beitr\u00e4gen \u00e4hnelt, mit denen Juan am h\u00e4ufigsten interagiert. Um all das f\u00fcr \u00fcber 1000 Beitr\u00e4ge f\u00fcr jeden unserer Milliarden Nutzer in Echtzeit zu berechnen, laufen diese Modelle gleichzeitig auf mehreren Maschinen, die wir Pr\u00e4diktoren nennen.\u00a0<\/span><\/p>\n<p><span style=\"font-weight: 400\">Bevor wir all diese Voraussagen zu einer einzigen Punktzahl kombinieren, m\u00fcssen wir aber noch einige weitere Regeln anwenden. Daf\u00fcr\u00a0 warten wir zun\u00e4chst ab, bis wir die ersten Voraussagen haben, damit wir die Beitragsauswahl f\u00fcr das Ranking verkleinern k\u00f6nnen \u2013 und wenden sie dann in mehreren Durchg\u00e4ngen an, um Rechenleistung zu sparen. Zun\u00e4chst durchl\u00e4uft jeder Beitrag bestimmte Integrit\u00e4tskontrollen. Damit bestimmen wir, ob weitere Ma\u00dfnahmen zur Integrit\u00e4tspr\u00fcfung f\u00fcr die ausgew\u00e4hlten Beitr\u00e4ge vorgenommen werden m\u00fcssen, und wenn ja, welche. Im n\u00e4chsten Durchgang grenzt ein ressourcensparendes Modell die Beitragsauswahl auf 500 der relevantesten Beitr\u00e4ge f\u00fcr Juan ein. Indem wir so die Auswahl vor den feineren Beurteilungsphasen eingrenzen, k\u00f6nnen wir leistungsst\u00e4rkere neuronale Netzwerke in diesen anschlie\u00dfenden Durchg\u00e4ngen verwenden.\u00a0<\/span><\/p>\n<p><span style=\"font-weight: 400\">Im n\u00e4chsten Durchgang erfolgt die eigentliche Beurteilung. Hier findet der Gro\u00dfteil der Personalisierung statt. Dabei wird f\u00fcr jeden Beitrag eine eigene Punktzahl berechnet, bevor wir die 500 Beitr\u00e4ge entsprechend anordnen. F\u00fcr einige Personen ist es sinnvoller, \u201eGef\u00e4llt mir\u201c-Angaben h\u00f6her als Kommentare zu bewerten, da sie diese zur Interaktion eher als Kommentare nutzen. Alle Handlungen, die eine Person nur selten ausf\u00fchrt (zum Beispiel, eine \u201eGef\u00e4llt mir\u201c-Voraussage von nahe 0), erhalten automatisch eine geringe Gewichtung im Ranking. Als Letztes findet der Kontext-Durchgang statt. Hier werden Kontextparameter wie Vielf\u00e4ltigkeitsregeln f\u00fcr den Content-Typ angewendet, um sicherzustellen, dass Juans News Feed ausgewogen ist und er nicht mehrere Videobeitr\u00e4ge direkt untereinander sieht.\u00a0<\/span><\/p>\n<p><span style=\"font-weight: 400\">All diese Ranking-Schritte finden in der kurzen Zeit statt, in der Juan Facebook aufruft. Innerhalb von Sekunden sieht er seinen pers\u00f6nlichen News Feed, den er sofort ansehen und durchst\u00f6bern kann.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"Wir wollen den Menschen auf Facebook mit dem News Feed ein relevantes und positives Nutzererlebnis bieten. Die Entwicklung eines personalisierten News Feeds f\u00fcr mehr als zwei Milliarden Menschen, die alle unterschiedliche Interessen haben, ist dabei eine schwierige und komplexe Herausforderung.\u00a0 &nbsp; Wie sagt der News Feed voraus, was ich sehen m\u00f6chte? Es gibt viele Theorien und Mythen zum News Feed-Algorithmus. Die meisten Menschen wissen, dass es einen Algorithmus gibt, und viele kennen einige Faktoren, die ihn beeinflussen. Zum Beispiel wenn du einen Beitrag mit \u201eGef\u00e4llt mir\u201c markierst, ihn kommentierst, teilst oder anderweitig damit interagierst.\u00a0 Dennoch gibt es nach wie vor viele Missverst\u00e4ndnisse dazu.\u00a0 Viele Details und Funktionen des News Feeds sind \u00f6ffentlich. Die Auswahl und Reihenfolge der Inhalte \u00fcbernimmt dabei unser Ranking-System, das auf maschinellem Lernen (ML) beruht und den News Feed fortlaufend sortiert. Es sorgt daf\u00fcr, dass \u00fcber zwei Milliarden Menschen die Inhalte angezeigt werden, die f\u00fcr sie relevant und bedeutsam sind \u2013 und zwar jedes Mal, wenn sie Facebook aufrufen. Ohne maschinelles Lernen w\u00fcrden die News Feeds der Nutzer mit irrelevanten oder uninteressanten Inhalten \u00fcberflutet, einschlie\u00dflich Werbeinhalten oder Inhalten von sehr aktiven Freunden. Diese Beitr\u00e4ge k\u00f6nnten den Content von Personen verdr\u00e4ngen, die den Nutzern eigentlich wichtiger sind.\u00a0 Dieser Vorgang ist sehr komplex und vielschichtig. Im Folgenden wollen wir die Funktionsweise unseres Ranking-Systems und die Herausforderungen bei der Entwicklung des Systems vorstellen.\u00a0\u00a0 Warum ist das so schwierig? Erstens ist das Volumen riesig. \u00dcber zwei Milliarden Menschen weltweit nutzen Facebook. F\u00fcr jede einzelne Person gibt es mehr als tausend Beitr\u00e4ge, die zur Anzeige in ihrem News Feed infrage kommen. Das sind Billionen von Beitr\u00e4gen f\u00fcr alle Facebook-Nutzer. Au\u00dferdem gibt es f\u00fcr jede Person auf Facebook Tausende sogenannte Signale (etwa, wenn die Person einen Beitrag mit \u201eGef\u00e4llt mir\u201c markiert oder kommentiert). Diese Signale m\u00fcssen wir beurteilen, um herauszufinden, was der Nutzer am relevantesten finden k\u00f6nnte. Es gibt also Billionen Beitr\u00e4ge und Tausende Signale \u2013 und wir m\u00fcssen in k\u00fcrzester Zeit vorhersagen, was jede einzelne Person in ihrem Feed sehen m\u00f6chte. Wenn du Facebook \u00f6ffnest, geschieht dieser Prozess in gerade einmal einer Sekunde, die es braucht, um deinen News Feed zu laden. Gleichzeitig gilt, wie auch bei der Bewertung, dass wir Clickbait-Inhalte und Falschmeldungen eind\u00e4mmen.\u00a0 F\u00fcr dieses Zusammenspiel mehrerer Faktoren m\u00fcssen wir immer neue L\u00f6sungen finden. Das Ranking-System ist bei genauerer Betrachtung kein einzelner Algorithmus. Es handelt sich vielmehr um mehrere Schichten von Machine Learning-Modellen und Rankings, mit denen wir den Content voraussagen, der f\u00fcr jeden Nutzer am relevantesten und bedeutsamsten ist. Beim Durchlaufen der einzelnen Phasen grenzt das Ranking-System die Tausenden der infrage kommenden Beitr\u00e4ge auf die wenigen Hundert ein, die schlie\u00dflich im News Feed einer Person erscheinen. Wie funktioniert das? Einfach ausgedr\u00fcckt, sagt das System voraus, welche Inhalte du wahrscheinlich am interessantesten finden oder mit welchen du am wahrscheinlichsten interagieren wirst. Auf dieser Grundlage legt es dann fest, welche Beitr\u00e4ge in welcher Reihenfolge in deinem News Feed erscheinen. Diese Vorhersagen h\u00e4ngen von zahlreichen Faktoren ab, einschlie\u00dflich was und wen du k\u00fcrzlich abonniert, mit \u201eGef\u00e4llt mir\u201c markiert oder mit wem du interagiert hast. Zur Veranschaulichung zeigt ein praktisches Beispiel an Beispielnutzer Juan, was passiert, wenn ein Nutzer sich auf Facebook einloggt: Seit Juan sich gestern eingeloggt hat, hat sein Freund Max ein Foto seines Cocker Spaniels gepostet. Seine Freundin Erika hat ein Video ihrer morgendlichen Laufrunde gepostet. Seine Lieblingsseite hat einen interessanten Artikel dar\u00fcber ver\u00f6ffentlicht, wie man in der Nacht am besten die Milchstra\u00dfe sieht. Und in seiner Lieblingskochgruppe gibt es vier neue Sauerteigrezepte. Alle diese Inhalte sind sehr wahrscheinlich relevant oder interessant f\u00fcr Juan, denn er hat sich aktiv dazu entschieden, diesen Personen oder Seiten zu folgen. Um zu entscheiden, welche dieser Inhalte weiter oben in Juans News Feed erscheinen sollen, m\u00fcssen wir voraussagen, welche f\u00fcr ihn am wichtigsten und wertvollsten sind. Mathematisch ausgedr\u00fcckt, m\u00fcssen wir eine Zielfunktion f\u00fcr Juan definieren und eine Ein-Ziel-Optimierung durchf\u00fchren.\u00a0 Um vorherzusagen, ob Juan ein Beitrag gefallen wird, k\u00f6nnen wir die Eigenschaften des Beitrags verwenden, etwa wer in einem Foto markiert ist und wann es gepostet wurde. Wenn Juan zum Beispiel h\u00e4ufig mit Erikas Beitr\u00e4gen interagiert (sie z. B. teilt oder kommentiert) und ihr Laufvideo noch sehr neu ist, besteht eine hohe Wahrscheinlichkeit, dass ihm der Beitrag gefallen wird. Wenn Juan bisher eher mit Videos als mit Fotos interagiert hat, ist die Wahrscheinlichkeit, dass ihm Max\u2019 Foto seines Cocker Spaniels gefallen wird, eher gering. In diesem Fall w\u00fcrde unser Ranking-Algorithmus Erikas Laufvideo weiter oben als Max\u2019 Hundefoto einstufen, da er eine h\u00f6here Wahrscheinlichkeit errechnet hat, dass es Juan gefallen wird. Die \u201eGef\u00e4llt mir\u201c-Markierung ist aber nicht die einzige Art, mit der Menschen auf Facebook ihre Pr\u00e4ferenzen zeigen. Tagt\u00e4glich teilen sie Artikel, die sie interessant finden, sehen sich Videos von Bekannten oder Prominenten an, die sie abonniert haben, oder sie kommentieren die Beitr\u00e4ge ihrer Freunde.\u00a0 Die Berechnung wird immer komplexer, je mehr Ziele wir hinzuf\u00fcgen, die der Algorithmus bei der Optimierung ber\u00fccksichtigen soll. Sie alle unterliegen aber unserem Hauptziel: f\u00fcr unsere Nutzer den h\u00f6chsten langfristigen Wert zu erzeugen, indem wir ihnen bedeutsame und relevante Inhalte zeigen. Mehrere ML-Modelle erzeugen auch mehrere Voraussagen f\u00fcr Juan, also f\u00fcr die Wahrscheinlichkeiten, dass er mit Max\u2019 Foto, Erikas Video, dem Artikel \u00fcber die Milchstra\u00dfe oder den Sauerteigrezepten interagiert. Jedes Modell versucht, ein Ranking f\u00fcr diese Inhalte zu generieren. Manchmal gibt es Widerspr\u00fcche zwischen ihnen: Eventuell ist es wahrscheinlicher, dass Juan Erikas Laufvideo mit \u201eGef\u00e4llt mir\u201c markiert als den Artikel \u00fcber die Milchstra\u00dfe. Aber gleichzeitig ist es vielleicht auch wahrscheinlicher, dass er den Artikel kommentiert, und nicht das Video. Wir m\u00fcssen diese unterschiedlichen Voraussagen also zu einer Bewertung kombinieren, die f\u00fcr unser prim\u00e4res Ziel des langfristigen Mehrwerts optimiert ist.\u00a0 Wie k\u00f6nnen wir aber messen, ob etwas einen langfristigen Wert f\u00fcr eine Person hat? Wir fragen sie einfach. Wir fragen unsere Nutzer beispielsweise, wie bedeutsam sie eine Interaktion mit ihren Freunden fanden, oder ob ihnen ein Beitrag gefallen hat. Auf diese Art kann unser System sich an die Vorlieben und Interessen der Menschen anpassen. Zus\u00e4tzlich k\u00f6nnen wir in unseren Voraussagen miteinbeziehen, welche Handlungen den Menschen wichtiger sind. Auch das erfahren wir \u00fcber Umfragen. Das Ranking Schritt f\u00fcr Schritt Damit wir \u00fcber tausend Beitr\u00e4ge pro Nutzer und Tag f\u00fcr \u00fcber zwei Milliarden Menschen in Echtzeit bewerten k\u00f6nnen, brauchen wir einen hocheffizienten Prozess. Wir f\u00fchren ihn in mehreren sinnvoll gestaffelten Schritten durch, damit er so schnell wie m\u00f6glich abl\u00e4uft und m\u00f6glichst wenig Rechenleistung beansprucht. Zun\u00e4chst erfasst das System alle Beitr\u00e4ge, die f\u00fcr Juan infrage kommen (das Foto des Cocker Spaniels, das Laufvideo etc.). Dieser Bestand umfasst alle von Freunden oder abonnierten Gruppen oder Seiten geteilten Beitr\u00e4ge, die seit Juans letztem Login gepostet und nicht gel\u00f6scht wurden.\u00a0 Aber wie gehen wir mit Beitr\u00e4gen um, die noch vor Juans letztem Login gepostet wurden und die er noch nicht gesehen hat? Damit noch nicht gesehene Beitr\u00e4ge ebenfalls in den Auswahlprozess aufgenommen werden, wenden wir eine Aufstocklogik an: Neue Beitr\u00e4ge, die in Juans letzter Sitzung f\u00fcr ihn ausgew\u00e4hlt wurden und die er noch nicht gesehen hat, werden ebenfalls in den Bestand f\u00fcr die aktuelle Sitzung aufgenommen. Au\u00dferdem nutzen wir eine \u00e4hnliche Logik f\u00fcr Interaktionen an. Wenn ein Beitrag, den Juan bereits gesehen hat, zu einer interessanten Unterhaltung unter seinen Freunden gef\u00fchrt hat, wird auch dieser Beitrag dem Bestand hinzugef\u00fcgt. Als N\u00e4chstes muss das System jeden Beitrag nach verschiedenen Faktoren beurteilen, etwa die Beitragsart, die \u00c4hnlichkeit mit anderen Elementen und wie sehr er denjenigen Beitr\u00e4gen \u00e4hnelt, mit denen Juan am h\u00e4ufigsten interagiert. Um all das f\u00fcr \u00fcber 1000 Beitr\u00e4ge f\u00fcr jeden unserer Milliarden Nutzer in Echtzeit zu berechnen, laufen diese Modelle gleichzeitig auf mehreren Maschinen, die wir Pr\u00e4diktoren nennen.\u00a0 Bevor wir all diese Voraussagen zu einer einzigen Punktzahl kombinieren, m\u00fcssen wir aber noch einige weitere Regeln anwenden. Daf\u00fcr\u00a0 warten wir zun\u00e4chst ab, bis wir die ersten Voraussagen haben, damit wir die Beitragsauswahl f\u00fcr das Ranking verkleinern k\u00f6nnen \u2013 und wenden sie dann in mehreren Durchg\u00e4ngen an, um Rechenleistung zu sparen. Zun\u00e4chst durchl\u00e4uft jeder Beitrag bestimmte Integrit\u00e4tskontrollen. Damit bestimmen wir, ob weitere Ma\u00dfnahmen zur Integrit\u00e4tspr\u00fcfung f\u00fcr die ausgew\u00e4hlten Beitr\u00e4ge vorgenommen werden m\u00fcssen, und wenn ja, welche. Im n\u00e4chsten Durchgang grenzt ein ressourcensparendes Modell die Beitragsauswahl auf 500 der relevantesten Beitr\u00e4ge f\u00fcr Juan ein. Indem wir so die Auswahl vor den feineren Beurteilungsphasen eingrenzen, k\u00f6nnen wir leistungsst\u00e4rkere neuronale Netzwerke in diesen anschlie\u00dfenden Durchg\u00e4ngen verwenden.\u00a0 Im n\u00e4chsten Durchgang erfolgt die eigentliche Beurteilung. Hier findet der Gro\u00dfteil der Personalisierung statt. Dabei wird f\u00fcr jeden Beitrag eine eigene Punktzahl berechnet, bevor wir die 500 Beitr\u00e4ge entsprechend anordnen. F\u00fcr einige Personen ist es sinnvoller, \u201eGef\u00e4llt mir\u201c-Angaben h\u00f6her als Kommentare zu bewerten, da sie diese zur Interaktion eher als Kommentare nutzen. Alle Handlungen, die eine Person nur selten ausf\u00fchrt (zum Beispiel, eine \u201eGef\u00e4llt mir\u201c-Voraussage von nahe 0), erhalten automatisch eine geringe Gewichtung im Ranking. Als Letztes findet der Kontext-Durchgang statt. Hier werden Kontextparameter wie Vielf\u00e4ltigkeitsregeln f\u00fcr den Content-Typ angewendet, um sicherzustellen, dass Juans News Feed ausgewogen ist und er nicht mehrere Videobeitr\u00e4ge direkt untereinander sieht.\u00a0 All diese Ranking-Schritte finden in der kurzen Zeit statt, in der Juan Facebook aufruft. Innerhalb von Sekunden sieht er seinen pers\u00f6nlichen News Feed, den er sofort ansehen und durchst\u00f6bern kann.","protected":false},"author":116743763,"featured_media":25677,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[555973284,243889734,555973441,1],"tags":[555973307,555973262],"class_list":["post-25673","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-inside-feed","category-produktnachrichten","category-technology-and-innovation","category-uncategorized","tag-kuenstliche-intelligenz","tag-news-feed"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.2 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Relevante Inhalte individuell zusammengestellt \u2013 so funktioniert der Facebook News Feed | \u00dcber Meta<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Relevante Inhalte individuell zusammengestellt \u2013 so funktioniert der Facebook News Feed | \u00dcber Meta\" \/>\n<meta property=\"og:description\" content=\"Wir wollen den Menschen auf Facebook mit dem News Feed ein relevantes und positives Nutzererlebnis bieten. Die Entwicklung eines personalisierten News Feeds f\u00fcr mehr als zwei Milliarden Menschen, die alle unterschiedliche Interessen haben, ist dabei eine schwierige und komplexe Herausforderung.\u00a0 &nbsp; Wie sagt der News Feed voraus, was ich sehen m\u00f6chte? Es gibt viele Theorien und Mythen zum News Feed-Algorithmus. Die meisten Menschen wissen, dass es einen Algorithmus gibt, und viele kennen einige Faktoren, die ihn beeinflussen. Zum Beispiel wenn du einen Beitrag mit \u201eGef\u00e4llt mir\u201c markierst, ihn kommentierst, teilst oder anderweitig damit interagierst.\u00a0 Dennoch gibt es nach wie vor viele Missverst\u00e4ndnisse dazu.\u00a0 Viele Details und Funktionen des News Feeds sind \u00f6ffentlich. Die Auswahl und Reihenfolge der Inhalte \u00fcbernimmt dabei unser Ranking-System, das auf maschinellem Lernen (ML) beruht und den News Feed fortlaufend sortiert. Es sorgt daf\u00fcr, dass \u00fcber zwei Milliarden Menschen die Inhalte angezeigt werden, die f\u00fcr sie relevant und bedeutsam sind \u2013 und zwar jedes Mal, wenn sie Facebook aufrufen. Ohne maschinelles Lernen w\u00fcrden die News Feeds der Nutzer mit irrelevanten oder uninteressanten Inhalten \u00fcberflutet, einschlie\u00dflich Werbeinhalten oder Inhalten von sehr aktiven Freunden. Diese Beitr\u00e4ge k\u00f6nnten den Content von Personen verdr\u00e4ngen, die den Nutzern eigentlich wichtiger sind.\u00a0 Dieser Vorgang ist sehr komplex und vielschichtig. Im Folgenden wollen wir die Funktionsweise unseres Ranking-Systems und die Herausforderungen bei der Entwicklung des Systems vorstellen.\u00a0\u00a0 Warum ist das so schwierig? Erstens ist das Volumen riesig. \u00dcber zwei Milliarden Menschen weltweit nutzen Facebook. F\u00fcr jede einzelne Person gibt es mehr als tausend Beitr\u00e4ge, die zur Anzeige in ihrem News Feed infrage kommen. Das sind Billionen von Beitr\u00e4gen f\u00fcr alle Facebook-Nutzer. Au\u00dferdem gibt es f\u00fcr jede Person auf Facebook Tausende sogenannte Signale (etwa, wenn die Person einen Beitrag mit \u201eGef\u00e4llt mir\u201c markiert oder kommentiert). Diese Signale m\u00fcssen wir beurteilen, um herauszufinden, was der Nutzer am relevantesten finden k\u00f6nnte. Es gibt also Billionen Beitr\u00e4ge und Tausende Signale \u2013 und wir m\u00fcssen in k\u00fcrzester Zeit vorhersagen, was jede einzelne Person in ihrem Feed sehen m\u00f6chte. Wenn du Facebook \u00f6ffnest, geschieht dieser Prozess in gerade einmal einer Sekunde, die es braucht, um deinen News Feed zu laden. Gleichzeitig gilt, wie auch bei der Bewertung, dass wir Clickbait-Inhalte und Falschmeldungen eind\u00e4mmen.\u00a0 F\u00fcr dieses Zusammenspiel mehrerer Faktoren m\u00fcssen wir immer neue L\u00f6sungen finden. Das Ranking-System ist bei genauerer Betrachtung kein einzelner Algorithmus. Es handelt sich vielmehr um mehrere Schichten von Machine Learning-Modellen und Rankings, mit denen wir den Content voraussagen, der f\u00fcr jeden Nutzer am relevantesten und bedeutsamsten ist. Beim Durchlaufen der einzelnen Phasen grenzt das Ranking-System die Tausenden der infrage kommenden Beitr\u00e4ge auf die wenigen Hundert ein, die schlie\u00dflich im News Feed einer Person erscheinen. Wie funktioniert das? Einfach ausgedr\u00fcckt, sagt das System voraus, welche Inhalte du wahrscheinlich am interessantesten finden oder mit welchen du am wahrscheinlichsten interagieren wirst. Auf dieser Grundlage legt es dann fest, welche Beitr\u00e4ge in welcher Reihenfolge in deinem News Feed erscheinen. Diese Vorhersagen h\u00e4ngen von zahlreichen Faktoren ab, einschlie\u00dflich was und wen du k\u00fcrzlich abonniert, mit \u201eGef\u00e4llt mir\u201c markiert oder mit wem du interagiert hast. Zur Veranschaulichung zeigt ein praktisches Beispiel an Beispielnutzer Juan, was passiert, wenn ein Nutzer sich auf Facebook einloggt: Seit Juan sich gestern eingeloggt hat, hat sein Freund Max ein Foto seines Cocker Spaniels gepostet. Seine Freundin Erika hat ein Video ihrer morgendlichen Laufrunde gepostet. Seine Lieblingsseite hat einen interessanten Artikel dar\u00fcber ver\u00f6ffentlicht, wie man in der Nacht am besten die Milchstra\u00dfe sieht. Und in seiner Lieblingskochgruppe gibt es vier neue Sauerteigrezepte. Alle diese Inhalte sind sehr wahrscheinlich relevant oder interessant f\u00fcr Juan, denn er hat sich aktiv dazu entschieden, diesen Personen oder Seiten zu folgen. Um zu entscheiden, welche dieser Inhalte weiter oben in Juans News Feed erscheinen sollen, m\u00fcssen wir voraussagen, welche f\u00fcr ihn am wichtigsten und wertvollsten sind. Mathematisch ausgedr\u00fcckt, m\u00fcssen wir eine Zielfunktion f\u00fcr Juan definieren und eine Ein-Ziel-Optimierung durchf\u00fchren.\u00a0 Um vorherzusagen, ob Juan ein Beitrag gefallen wird, k\u00f6nnen wir die Eigenschaften des Beitrags verwenden, etwa wer in einem Foto markiert ist und wann es gepostet wurde. Wenn Juan zum Beispiel h\u00e4ufig mit Erikas Beitr\u00e4gen interagiert (sie z. B. teilt oder kommentiert) und ihr Laufvideo noch sehr neu ist, besteht eine hohe Wahrscheinlichkeit, dass ihm der Beitrag gefallen wird. Wenn Juan bisher eher mit Videos als mit Fotos interagiert hat, ist die Wahrscheinlichkeit, dass ihm Max\u2019 Foto seines Cocker Spaniels gefallen wird, eher gering. In diesem Fall w\u00fcrde unser Ranking-Algorithmus Erikas Laufvideo weiter oben als Max\u2019 Hundefoto einstufen, da er eine h\u00f6here Wahrscheinlichkeit errechnet hat, dass es Juan gefallen wird. Die \u201eGef\u00e4llt mir\u201c-Markierung ist aber nicht die einzige Art, mit der Menschen auf Facebook ihre Pr\u00e4ferenzen zeigen. Tagt\u00e4glich teilen sie Artikel, die sie interessant finden, sehen sich Videos von Bekannten oder Prominenten an, die sie abonniert haben, oder sie kommentieren die Beitr\u00e4ge ihrer Freunde.\u00a0 Die Berechnung wird immer komplexer, je mehr Ziele wir hinzuf\u00fcgen, die der Algorithmus bei der Optimierung ber\u00fccksichtigen soll. Sie alle unterliegen aber unserem Hauptziel: f\u00fcr unsere Nutzer den h\u00f6chsten langfristigen Wert zu erzeugen, indem wir ihnen bedeutsame und relevante Inhalte zeigen. Mehrere ML-Modelle erzeugen auch mehrere Voraussagen f\u00fcr Juan, also f\u00fcr die Wahrscheinlichkeiten, dass er mit Max\u2019 Foto, Erikas Video, dem Artikel \u00fcber die Milchstra\u00dfe oder den Sauerteigrezepten interagiert. Jedes Modell versucht, ein Ranking f\u00fcr diese Inhalte zu generieren. Manchmal gibt es Widerspr\u00fcche zwischen ihnen: Eventuell ist es wahrscheinlicher, dass Juan Erikas Laufvideo mit \u201eGef\u00e4llt mir\u201c markiert als den Artikel \u00fcber die Milchstra\u00dfe. Aber gleichzeitig ist es vielleicht auch wahrscheinlicher, dass er den Artikel kommentiert, und nicht das Video. Wir m\u00fcssen diese unterschiedlichen Voraussagen also zu einer Bewertung kombinieren, die f\u00fcr unser prim\u00e4res Ziel des langfristigen Mehrwerts optimiert ist.\u00a0 Wie k\u00f6nnen wir aber messen, ob etwas einen langfristigen Wert f\u00fcr eine Person hat? Wir fragen sie einfach. Wir fragen unsere Nutzer beispielsweise, wie bedeutsam sie eine Interaktion mit ihren Freunden fanden, oder ob ihnen ein Beitrag gefallen hat. Auf diese Art kann unser System sich an die Vorlieben und Interessen der Menschen anpassen. Zus\u00e4tzlich k\u00f6nnen wir in unseren Voraussagen miteinbeziehen, welche Handlungen den Menschen wichtiger sind. Auch das erfahren wir \u00fcber Umfragen. Das Ranking Schritt f\u00fcr Schritt Damit wir \u00fcber tausend Beitr\u00e4ge pro Nutzer und Tag f\u00fcr \u00fcber zwei Milliarden Menschen in Echtzeit bewerten k\u00f6nnen, brauchen wir einen hocheffizienten Prozess. Wir f\u00fchren ihn in mehreren sinnvoll gestaffelten Schritten durch, damit er so schnell wie m\u00f6glich abl\u00e4uft und m\u00f6glichst wenig Rechenleistung beansprucht. Zun\u00e4chst erfasst das System alle Beitr\u00e4ge, die f\u00fcr Juan infrage kommen (das Foto des Cocker Spaniels, das Laufvideo etc.). Dieser Bestand umfasst alle von Freunden oder abonnierten Gruppen oder Seiten geteilten Beitr\u00e4ge, die seit Juans letztem Login gepostet und nicht gel\u00f6scht wurden.\u00a0 Aber wie gehen wir mit Beitr\u00e4gen um, die noch vor Juans letztem Login gepostet wurden und die er noch nicht gesehen hat? Damit noch nicht gesehene Beitr\u00e4ge ebenfalls in den Auswahlprozess aufgenommen werden, wenden wir eine Aufstocklogik an: Neue Beitr\u00e4ge, die in Juans letzter Sitzung f\u00fcr ihn ausgew\u00e4hlt wurden und die er noch nicht gesehen hat, werden ebenfalls in den Bestand f\u00fcr die aktuelle Sitzung aufgenommen. Au\u00dferdem nutzen wir eine \u00e4hnliche Logik f\u00fcr Interaktionen an. Wenn ein Beitrag, den Juan bereits gesehen hat, zu einer interessanten Unterhaltung unter seinen Freunden gef\u00fchrt hat, wird auch dieser Beitrag dem Bestand hinzugef\u00fcgt. Als N\u00e4chstes muss das System jeden Beitrag nach verschiedenen Faktoren beurteilen, etwa die Beitragsart, die \u00c4hnlichkeit mit anderen Elementen und wie sehr er denjenigen Beitr\u00e4gen \u00e4hnelt, mit denen Juan am h\u00e4ufigsten interagiert. Um all das f\u00fcr \u00fcber 1000 Beitr\u00e4ge f\u00fcr jeden unserer Milliarden Nutzer in Echtzeit zu berechnen, laufen diese Modelle gleichzeitig auf mehreren Maschinen, die wir Pr\u00e4diktoren nennen.\u00a0 Bevor wir all diese Voraussagen zu einer einzigen Punktzahl kombinieren, m\u00fcssen wir aber noch einige weitere Regeln anwenden. Daf\u00fcr\u00a0 warten wir zun\u00e4chst ab, bis wir die ersten Voraussagen haben, damit wir die Beitragsauswahl f\u00fcr das Ranking verkleinern k\u00f6nnen \u2013 und wenden sie dann in mehreren Durchg\u00e4ngen an, um Rechenleistung zu sparen. Zun\u00e4chst durchl\u00e4uft jeder Beitrag bestimmte Integrit\u00e4tskontrollen. Damit bestimmen wir, ob weitere Ma\u00dfnahmen zur Integrit\u00e4tspr\u00fcfung f\u00fcr die ausgew\u00e4hlten Beitr\u00e4ge vorgenommen werden m\u00fcssen, und wenn ja, welche. Im n\u00e4chsten Durchgang grenzt ein ressourcensparendes Modell die Beitragsauswahl auf 500 der relevantesten Beitr\u00e4ge f\u00fcr Juan ein. Indem wir so die Auswahl vor den feineren Beurteilungsphasen eingrenzen, k\u00f6nnen wir leistungsst\u00e4rkere neuronale Netzwerke in diesen anschlie\u00dfenden Durchg\u00e4ngen verwenden.\u00a0 Im n\u00e4chsten Durchgang erfolgt die eigentliche Beurteilung. Hier findet der Gro\u00dfteil der Personalisierung statt. Dabei wird f\u00fcr jeden Beitrag eine eigene Punktzahl berechnet, bevor wir die 500 Beitr\u00e4ge entsprechend anordnen. F\u00fcr einige Personen ist es sinnvoller, \u201eGef\u00e4llt mir\u201c-Angaben h\u00f6her als Kommentare zu bewerten, da sie diese zur Interaktion eher als Kommentare nutzen. Alle Handlungen, die eine Person nur selten ausf\u00fchrt (zum Beispiel, eine \u201eGef\u00e4llt mir\u201c-Voraussage von nahe 0), erhalten automatisch eine geringe Gewichtung im Ranking. Als Letztes findet der Kontext-Durchgang statt. Hier werden Kontextparameter wie Vielf\u00e4ltigkeitsregeln f\u00fcr den Content-Typ angewendet, um sicherzustellen, dass Juans News Feed ausgewogen ist und er nicht mehrere Videobeitr\u00e4ge direkt untereinander sieht.\u00a0 All diese Ranking-Schritte finden in der kurzen Zeit statt, in der Juan Facebook aufruft. Innerhalb von Sekunden sieht er seinen pers\u00f6nlichen News Feed, den er sofort ansehen und durchst\u00f6bern kann.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/\" \/>\n<meta property=\"og:site_name\" content=\"\u00dcber Meta\" \/>\n<meta property=\"article:published_time\" content=\"2021-02-26T10:00:20+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2021-02-26T10:16:15+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/02\/AI-News-Feed.png?resize=1024,544\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"544\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Trilligent\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Meta\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"7 Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/\"},\"author\":\"Facebook company\",\"headline\":\"Relevante Inhalte individuell zusammengestellt \u2013 so funktioniert der Facebook News Feed\",\"datePublished\":\"2021-02-26T10:00:20+00:00\",\"dateModified\":\"2021-02-26T10:16:15+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/\"},\"wordCount\":1662,\"publisher\":{\"@id\":\"https:\/\/about.fb.com\/de\/#organization\"},\"image\":{\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/02\/AI-News-Feed.png?fit=1348%2C716\",\"keywords\":[\"K\u00fcnstliche Intelligenz\",\"News Feed\"],\"articleSection\":[\"Inside Feed\",\"Produktnachrichten\",\"Technology and Innovation\",\"Uncategorized\"],\"inLanguage\":\"de-DE\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/\",\"url\":\"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/\",\"name\":\"Relevante Inhalte individuell zusammengestellt \u2013 so funktioniert der Facebook News Feed | \u00dcber Meta\",\"isPartOf\":{\"@id\":\"https:\/\/about.fb.com\/de\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/02\/AI-News-Feed.png?fit=1348%2C716\",\"datePublished\":\"2021-02-26T10:00:20+00:00\",\"dateModified\":\"2021-02-26T10:16:15+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/#breadcrumb\"},\"inLanguage\":\"de-DE\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/\"]}],\"author\":\"\u00dcber Meta\"},{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/#primaryimage\",\"url\":\"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/02\/AI-News-Feed.png?fit=1348%2C716\",\"contentUrl\":\"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/02\/AI-News-Feed.png?fit=1348%2C716\",\"width\":1348,\"height\":716},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/about.fb.com\/de\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Relevante Inhalte individuell zusammengestellt \u2013 so funktioniert der Facebook News Feed\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/about.fb.com\/de\/#website\",\"url\":\"https:\/\/about.fb.com\/news\/\",\"name\":\"\u00dcber Meta\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/about.fb.com\/de\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/about.fb.com\/de\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de-DE\",\"alternateName\":[\"Meta Newsroom\",\"Meta\"]},{\"@type\":\"Organization\",\"@id\":\"https:\/\/about.fb.com\/de\/#organization\",\"name\":\"Meta\",\"url\":\"https:\/\/about.fb.com\/de\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\/\/about.fb.com\/de\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/10\/meta-social-16x9-1.jpg?fit=8000%2C4500\",\"contentUrl\":\"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/10\/meta-social-16x9-1.jpg?fit=8000%2C4500\",\"width\":8000,\"height\":4500,\"caption\":\"Meta\"},\"image\":{\"@id\":\"https:\/\/about.fb.com\/de\/#\/schema\/logo\/image\/\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Relevante Inhalte individuell zusammengestellt \u2013 so funktioniert der Facebook News Feed | \u00dcber Meta","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/","og_locale":"de_DE","og_type":"article","og_title":"Relevante Inhalte individuell zusammengestellt \u2013 so funktioniert der Facebook News Feed | \u00dcber Meta","og_description":"Wir wollen den Menschen auf Facebook mit dem News Feed ein relevantes und positives Nutzererlebnis bieten. Die Entwicklung eines personalisierten News Feeds f\u00fcr mehr als zwei Milliarden Menschen, die alle unterschiedliche Interessen haben, ist dabei eine schwierige und komplexe Herausforderung.\u00a0 &nbsp; Wie sagt der News Feed voraus, was ich sehen m\u00f6chte? Es gibt viele Theorien und Mythen zum News Feed-Algorithmus. Die meisten Menschen wissen, dass es einen Algorithmus gibt, und viele kennen einige Faktoren, die ihn beeinflussen. Zum Beispiel wenn du einen Beitrag mit \u201eGef\u00e4llt mir\u201c markierst, ihn kommentierst, teilst oder anderweitig damit interagierst.\u00a0 Dennoch gibt es nach wie vor viele Missverst\u00e4ndnisse dazu.\u00a0 Viele Details und Funktionen des News Feeds sind \u00f6ffentlich. Die Auswahl und Reihenfolge der Inhalte \u00fcbernimmt dabei unser Ranking-System, das auf maschinellem Lernen (ML) beruht und den News Feed fortlaufend sortiert. Es sorgt daf\u00fcr, dass \u00fcber zwei Milliarden Menschen die Inhalte angezeigt werden, die f\u00fcr sie relevant und bedeutsam sind \u2013 und zwar jedes Mal, wenn sie Facebook aufrufen. Ohne maschinelles Lernen w\u00fcrden die News Feeds der Nutzer mit irrelevanten oder uninteressanten Inhalten \u00fcberflutet, einschlie\u00dflich Werbeinhalten oder Inhalten von sehr aktiven Freunden. Diese Beitr\u00e4ge k\u00f6nnten den Content von Personen verdr\u00e4ngen, die den Nutzern eigentlich wichtiger sind.\u00a0 Dieser Vorgang ist sehr komplex und vielschichtig. Im Folgenden wollen wir die Funktionsweise unseres Ranking-Systems und die Herausforderungen bei der Entwicklung des Systems vorstellen.\u00a0\u00a0 Warum ist das so schwierig? Erstens ist das Volumen riesig. \u00dcber zwei Milliarden Menschen weltweit nutzen Facebook. F\u00fcr jede einzelne Person gibt es mehr als tausend Beitr\u00e4ge, die zur Anzeige in ihrem News Feed infrage kommen. Das sind Billionen von Beitr\u00e4gen f\u00fcr alle Facebook-Nutzer. Au\u00dferdem gibt es f\u00fcr jede Person auf Facebook Tausende sogenannte Signale (etwa, wenn die Person einen Beitrag mit \u201eGef\u00e4llt mir\u201c markiert oder kommentiert). Diese Signale m\u00fcssen wir beurteilen, um herauszufinden, was der Nutzer am relevantesten finden k\u00f6nnte. Es gibt also Billionen Beitr\u00e4ge und Tausende Signale \u2013 und wir m\u00fcssen in k\u00fcrzester Zeit vorhersagen, was jede einzelne Person in ihrem Feed sehen m\u00f6chte. Wenn du Facebook \u00f6ffnest, geschieht dieser Prozess in gerade einmal einer Sekunde, die es braucht, um deinen News Feed zu laden. Gleichzeitig gilt, wie auch bei der Bewertung, dass wir Clickbait-Inhalte und Falschmeldungen eind\u00e4mmen.\u00a0 F\u00fcr dieses Zusammenspiel mehrerer Faktoren m\u00fcssen wir immer neue L\u00f6sungen finden. Das Ranking-System ist bei genauerer Betrachtung kein einzelner Algorithmus. Es handelt sich vielmehr um mehrere Schichten von Machine Learning-Modellen und Rankings, mit denen wir den Content voraussagen, der f\u00fcr jeden Nutzer am relevantesten und bedeutsamsten ist. Beim Durchlaufen der einzelnen Phasen grenzt das Ranking-System die Tausenden der infrage kommenden Beitr\u00e4ge auf die wenigen Hundert ein, die schlie\u00dflich im News Feed einer Person erscheinen. Wie funktioniert das? Einfach ausgedr\u00fcckt, sagt das System voraus, welche Inhalte du wahrscheinlich am interessantesten finden oder mit welchen du am wahrscheinlichsten interagieren wirst. Auf dieser Grundlage legt es dann fest, welche Beitr\u00e4ge in welcher Reihenfolge in deinem News Feed erscheinen. Diese Vorhersagen h\u00e4ngen von zahlreichen Faktoren ab, einschlie\u00dflich was und wen du k\u00fcrzlich abonniert, mit \u201eGef\u00e4llt mir\u201c markiert oder mit wem du interagiert hast. Zur Veranschaulichung zeigt ein praktisches Beispiel an Beispielnutzer Juan, was passiert, wenn ein Nutzer sich auf Facebook einloggt: Seit Juan sich gestern eingeloggt hat, hat sein Freund Max ein Foto seines Cocker Spaniels gepostet. Seine Freundin Erika hat ein Video ihrer morgendlichen Laufrunde gepostet. Seine Lieblingsseite hat einen interessanten Artikel dar\u00fcber ver\u00f6ffentlicht, wie man in der Nacht am besten die Milchstra\u00dfe sieht. Und in seiner Lieblingskochgruppe gibt es vier neue Sauerteigrezepte. Alle diese Inhalte sind sehr wahrscheinlich relevant oder interessant f\u00fcr Juan, denn er hat sich aktiv dazu entschieden, diesen Personen oder Seiten zu folgen. Um zu entscheiden, welche dieser Inhalte weiter oben in Juans News Feed erscheinen sollen, m\u00fcssen wir voraussagen, welche f\u00fcr ihn am wichtigsten und wertvollsten sind. Mathematisch ausgedr\u00fcckt, m\u00fcssen wir eine Zielfunktion f\u00fcr Juan definieren und eine Ein-Ziel-Optimierung durchf\u00fchren.\u00a0 Um vorherzusagen, ob Juan ein Beitrag gefallen wird, k\u00f6nnen wir die Eigenschaften des Beitrags verwenden, etwa wer in einem Foto markiert ist und wann es gepostet wurde. Wenn Juan zum Beispiel h\u00e4ufig mit Erikas Beitr\u00e4gen interagiert (sie z. B. teilt oder kommentiert) und ihr Laufvideo noch sehr neu ist, besteht eine hohe Wahrscheinlichkeit, dass ihm der Beitrag gefallen wird. Wenn Juan bisher eher mit Videos als mit Fotos interagiert hat, ist die Wahrscheinlichkeit, dass ihm Max\u2019 Foto seines Cocker Spaniels gefallen wird, eher gering. In diesem Fall w\u00fcrde unser Ranking-Algorithmus Erikas Laufvideo weiter oben als Max\u2019 Hundefoto einstufen, da er eine h\u00f6here Wahrscheinlichkeit errechnet hat, dass es Juan gefallen wird. Die \u201eGef\u00e4llt mir\u201c-Markierung ist aber nicht die einzige Art, mit der Menschen auf Facebook ihre Pr\u00e4ferenzen zeigen. Tagt\u00e4glich teilen sie Artikel, die sie interessant finden, sehen sich Videos von Bekannten oder Prominenten an, die sie abonniert haben, oder sie kommentieren die Beitr\u00e4ge ihrer Freunde.\u00a0 Die Berechnung wird immer komplexer, je mehr Ziele wir hinzuf\u00fcgen, die der Algorithmus bei der Optimierung ber\u00fccksichtigen soll. Sie alle unterliegen aber unserem Hauptziel: f\u00fcr unsere Nutzer den h\u00f6chsten langfristigen Wert zu erzeugen, indem wir ihnen bedeutsame und relevante Inhalte zeigen. Mehrere ML-Modelle erzeugen auch mehrere Voraussagen f\u00fcr Juan, also f\u00fcr die Wahrscheinlichkeiten, dass er mit Max\u2019 Foto, Erikas Video, dem Artikel \u00fcber die Milchstra\u00dfe oder den Sauerteigrezepten interagiert. Jedes Modell versucht, ein Ranking f\u00fcr diese Inhalte zu generieren. Manchmal gibt es Widerspr\u00fcche zwischen ihnen: Eventuell ist es wahrscheinlicher, dass Juan Erikas Laufvideo mit \u201eGef\u00e4llt mir\u201c markiert als den Artikel \u00fcber die Milchstra\u00dfe. Aber gleichzeitig ist es vielleicht auch wahrscheinlicher, dass er den Artikel kommentiert, und nicht das Video. Wir m\u00fcssen diese unterschiedlichen Voraussagen also zu einer Bewertung kombinieren, die f\u00fcr unser prim\u00e4res Ziel des langfristigen Mehrwerts optimiert ist.\u00a0 Wie k\u00f6nnen wir aber messen, ob etwas einen langfristigen Wert f\u00fcr eine Person hat? Wir fragen sie einfach. Wir fragen unsere Nutzer beispielsweise, wie bedeutsam sie eine Interaktion mit ihren Freunden fanden, oder ob ihnen ein Beitrag gefallen hat. Auf diese Art kann unser System sich an die Vorlieben und Interessen der Menschen anpassen. Zus\u00e4tzlich k\u00f6nnen wir in unseren Voraussagen miteinbeziehen, welche Handlungen den Menschen wichtiger sind. Auch das erfahren wir \u00fcber Umfragen. Das Ranking Schritt f\u00fcr Schritt Damit wir \u00fcber tausend Beitr\u00e4ge pro Nutzer und Tag f\u00fcr \u00fcber zwei Milliarden Menschen in Echtzeit bewerten k\u00f6nnen, brauchen wir einen hocheffizienten Prozess. Wir f\u00fchren ihn in mehreren sinnvoll gestaffelten Schritten durch, damit er so schnell wie m\u00f6glich abl\u00e4uft und m\u00f6glichst wenig Rechenleistung beansprucht. Zun\u00e4chst erfasst das System alle Beitr\u00e4ge, die f\u00fcr Juan infrage kommen (das Foto des Cocker Spaniels, das Laufvideo etc.). Dieser Bestand umfasst alle von Freunden oder abonnierten Gruppen oder Seiten geteilten Beitr\u00e4ge, die seit Juans letztem Login gepostet und nicht gel\u00f6scht wurden.\u00a0 Aber wie gehen wir mit Beitr\u00e4gen um, die noch vor Juans letztem Login gepostet wurden und die er noch nicht gesehen hat? Damit noch nicht gesehene Beitr\u00e4ge ebenfalls in den Auswahlprozess aufgenommen werden, wenden wir eine Aufstocklogik an: Neue Beitr\u00e4ge, die in Juans letzter Sitzung f\u00fcr ihn ausgew\u00e4hlt wurden und die er noch nicht gesehen hat, werden ebenfalls in den Bestand f\u00fcr die aktuelle Sitzung aufgenommen. Au\u00dferdem nutzen wir eine \u00e4hnliche Logik f\u00fcr Interaktionen an. Wenn ein Beitrag, den Juan bereits gesehen hat, zu einer interessanten Unterhaltung unter seinen Freunden gef\u00fchrt hat, wird auch dieser Beitrag dem Bestand hinzugef\u00fcgt. Als N\u00e4chstes muss das System jeden Beitrag nach verschiedenen Faktoren beurteilen, etwa die Beitragsart, die \u00c4hnlichkeit mit anderen Elementen und wie sehr er denjenigen Beitr\u00e4gen \u00e4hnelt, mit denen Juan am h\u00e4ufigsten interagiert. Um all das f\u00fcr \u00fcber 1000 Beitr\u00e4ge f\u00fcr jeden unserer Milliarden Nutzer in Echtzeit zu berechnen, laufen diese Modelle gleichzeitig auf mehreren Maschinen, die wir Pr\u00e4diktoren nennen.\u00a0 Bevor wir all diese Voraussagen zu einer einzigen Punktzahl kombinieren, m\u00fcssen wir aber noch einige weitere Regeln anwenden. Daf\u00fcr\u00a0 warten wir zun\u00e4chst ab, bis wir die ersten Voraussagen haben, damit wir die Beitragsauswahl f\u00fcr das Ranking verkleinern k\u00f6nnen \u2013 und wenden sie dann in mehreren Durchg\u00e4ngen an, um Rechenleistung zu sparen. Zun\u00e4chst durchl\u00e4uft jeder Beitrag bestimmte Integrit\u00e4tskontrollen. Damit bestimmen wir, ob weitere Ma\u00dfnahmen zur Integrit\u00e4tspr\u00fcfung f\u00fcr die ausgew\u00e4hlten Beitr\u00e4ge vorgenommen werden m\u00fcssen, und wenn ja, welche. Im n\u00e4chsten Durchgang grenzt ein ressourcensparendes Modell die Beitragsauswahl auf 500 der relevantesten Beitr\u00e4ge f\u00fcr Juan ein. Indem wir so die Auswahl vor den feineren Beurteilungsphasen eingrenzen, k\u00f6nnen wir leistungsst\u00e4rkere neuronale Netzwerke in diesen anschlie\u00dfenden Durchg\u00e4ngen verwenden.\u00a0 Im n\u00e4chsten Durchgang erfolgt die eigentliche Beurteilung. Hier findet der Gro\u00dfteil der Personalisierung statt. Dabei wird f\u00fcr jeden Beitrag eine eigene Punktzahl berechnet, bevor wir die 500 Beitr\u00e4ge entsprechend anordnen. F\u00fcr einige Personen ist es sinnvoller, \u201eGef\u00e4llt mir\u201c-Angaben h\u00f6her als Kommentare zu bewerten, da sie diese zur Interaktion eher als Kommentare nutzen. Alle Handlungen, die eine Person nur selten ausf\u00fchrt (zum Beispiel, eine \u201eGef\u00e4llt mir\u201c-Voraussage von nahe 0), erhalten automatisch eine geringe Gewichtung im Ranking. Als Letztes findet der Kontext-Durchgang statt. Hier werden Kontextparameter wie Vielf\u00e4ltigkeitsregeln f\u00fcr den Content-Typ angewendet, um sicherzustellen, dass Juans News Feed ausgewogen ist und er nicht mehrere Videobeitr\u00e4ge direkt untereinander sieht.\u00a0 All diese Ranking-Schritte finden in der kurzen Zeit statt, in der Juan Facebook aufruft. Innerhalb von Sekunden sieht er seinen pers\u00f6nlichen News Feed, den er sofort ansehen und durchst\u00f6bern kann.","og_url":"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/","og_site_name":"\u00dcber Meta","article_published_time":"2021-02-26T10:00:20+00:00","article_modified_time":"2021-02-26T10:16:15+00:00","og_image":[{"width":1024,"height":544,"url":"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/02\/AI-News-Feed.png?resize=1024,544","type":"image\/png"}],"author":"Trilligent","twitter_card":"summary_large_image","twitter_misc":{"Written by":"Meta","Est. reading time":"7 Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/#article","isPartOf":{"@id":"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/"},"author":"Facebook company","headline":"Relevante Inhalte individuell zusammengestellt \u2013 so funktioniert der Facebook News Feed","datePublished":"2021-02-26T10:00:20+00:00","dateModified":"2021-02-26T10:16:15+00:00","mainEntityOfPage":{"@id":"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/"},"wordCount":1662,"publisher":{"@id":"https:\/\/about.fb.com\/de\/#organization"},"image":{"@id":"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/#primaryimage"},"thumbnailUrl":"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/02\/AI-News-Feed.png?fit=1348%2C716","keywords":["K\u00fcnstliche Intelligenz","News Feed"],"articleSection":["Inside Feed","Produktnachrichten","Technology and Innovation","Uncategorized"],"inLanguage":"de-DE"},{"@type":"WebPage","@id":"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/","url":"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/","name":"Relevante Inhalte individuell zusammengestellt \u2013 so funktioniert der Facebook News Feed | \u00dcber Meta","isPartOf":{"@id":"https:\/\/about.fb.com\/de\/#website"},"primaryImageOfPage":{"@id":"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/#primaryimage"},"image":{"@id":"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/#primaryimage"},"thumbnailUrl":"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/02\/AI-News-Feed.png?fit=1348%2C716","datePublished":"2021-02-26T10:00:20+00:00","dateModified":"2021-02-26T10:16:15+00:00","breadcrumb":{"@id":"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/#breadcrumb"},"inLanguage":"de-DE","potentialAction":[{"@type":"ReadAction","target":["https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/"]}],"author":"\u00dcber Meta"},{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/#primaryimage","url":"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/02\/AI-News-Feed.png?fit=1348%2C716","contentUrl":"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/02\/AI-News-Feed.png?fit=1348%2C716","width":1348,"height":716},{"@type":"BreadcrumbList","@id":"https:\/\/about.fb.com\/de\/news\/2021\/02\/relevante-inhalte-individuell-zusammengestellt-so-funktioniert-der-facebook-news-feed\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/about.fb.com\/de\/"},{"@type":"ListItem","position":2,"name":"Relevante Inhalte individuell zusammengestellt \u2013 so funktioniert der Facebook News Feed"}]},{"@type":"WebSite","@id":"https:\/\/about.fb.com\/de\/#website","url":"https:\/\/about.fb.com\/news\/","name":"\u00dcber Meta","description":"","publisher":{"@id":"https:\/\/about.fb.com\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/about.fb.com\/de\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de-DE","alternateName":["Meta Newsroom","Meta"]},{"@type":"Organization","@id":"https:\/\/about.fb.com\/de\/#organization","name":"Meta","url":"https:\/\/about.fb.com\/de\/","logo":{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/about.fb.com\/de\/#\/schema\/logo\/image\/","url":"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/10\/meta-social-16x9-1.jpg?fit=8000%2C4500","contentUrl":"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/10\/meta-social-16x9-1.jpg?fit=8000%2C4500","width":8000,"height":4500,"caption":"Meta"},"image":{"@id":"https:\/\/about.fb.com\/de\/#\/schema\/logo\/image\/"}}]}},"jetpack_featured_media_url":"https:\/\/about.fb.com\/de\/wp-content\/uploads\/sites\/10\/2021\/02\/AI-News-Feed.png?fit=1348%2C716","jetpack-related-posts":[],"jetpack_sharing_enabled":true,"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/posts\/25673","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/users\/116743763"}],"replies":[{"embeddable":true,"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/comments?post=25673"}],"version-history":[{"count":4,"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/posts\/25673\/revisions"}],"predecessor-version":[{"id":25679,"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/posts\/25673\/revisions\/25679"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/media\/25677"}],"wp:attachment":[{"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/media?parent=25673"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/categories?post=25673"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/about.fb.com\/de\/wp-json\/wp\/v2\/tags?post=25673"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}