Алгоритм EdgeRank

EdgeRank — это алгоритм, применявшийся социальной сетью Facebook (принадлежит компании Meta, признанной экстремистской и запрещённой в РФ) для ранжирования записей в ленте новостей пользователя. Разработанный в конце 2000-х годов, он определял, какие публикации от друзей, групп и подписок будут показаны в первую очередь, а какие — скрыты или отложены. EdgeRank основывался на трёх ключевых факторах: близости отношений (Affinity), весе контента (Weight) и времени публикации (Time Decay). В 2011 году алгоритм был заменён более сложной системой машинного обучения, но его название осталось в обиходе как обобщённое обозначение механизмов ранжирования новостной ленты.

История и предпосылки создания

До внедрения EdgeRank лента новостей Facebook (продукт Meta, признанной экстремистской и запрещённой в РФ) отображала записи в хронологическом порядке — сначала самые новые. С ростом числа пользователей и объёмов контента такой подход стал неэффективным: типичный пользователь мог пропустить до 90 % публикаций. В 2006 году компания начала эксперименты с персонализированным ранжированием. Официально алгоритм EdgeRank был представлен в 2009 году в блоге Facebook Engineering. Его создание приписывается команде инженеров во главе с Ручи Сангви, которая стремилась решить проблему информационной перегрузки, показывая пользователю только наиболее релевантный контент.

Название «EdgeRank» происходит от термина «edge» (грань или ребро), которым в Facebook обозначали любое действие пользователя: публикацию, лайк, комментарий, репост. Каждое такое действие создавало «грань» в социальном графе. Алгоритм присваивал каждой грани числовой балл и сортировал ленту по убыванию этого балла.

Устройство алгоритма

EdgeRank вычислял релевантность каждой записи по формуле:

Score = Affinity × Weight × Time Decay

Где:

• Affinity (близость) — числовая оценка отношений между пользователем и автором записи. Чем чаще пользователь взаимодействует с автором (лайкает, комментирует, просматривает его страницу), тем выше коэффициент. Например, если пользователь ежедневно общается с другом, его записи получают высокий affinity, а если он редко заходит на страницу знаменитости — низкий.
• Weight (вес) — ценность типа взаимодействия. Разные действия имели разный вес: комментарий оценивался выше лайка, репост — ещё выше. Публикация фото или видео также имела больший вес, чем текстовый статус. Facebook не раскрывал точные значения весов, но они были фиксированными и обновлялись редко.
• Time Decay (временной спад) — коэффициент, уменьшающий балл записи с течением времени. Чем старше публикация, тем ниже её шансы попасть в ленту. Обычно спад был экспоненциальным: через несколько часов после публикации балл снижался в разы.

Произведение этих трёх факторов давало итоговый балл. Записи с баллом выше определённого порога отображались в ленте, остальные — скрывались. Порог мог динамически меняться в зависимости от активности пользователя: при частом скроллинге показывалось больше записей.

Критика и ограничения

EdgeRank подвергался критике за несколько недостатков:

• Пузырь фильтров: алгоритм показывал пользователю только контент от близких друзей и популярных страниц, игнорируя менее активных, но ценных авторов. Это создавало «эхо-камеру», где пользователь видел лишь подтверждение своих взглядов.
• Неравенство весов: фиксированные веса не учитывали контекст. Например, лайк на фото друга мог быть менее значим, чем лайк на новость о трагедии, но алгоритм считал их одинаковыми.
• Временной спад: старые, но важные записи (например, объявления о событиях) быстро теряли балл и исчезали из ленты, даже если пользователь ещё не успел их увидеть.
• Прозрачность: Facebook не публиковал точные формулы и веса, что вызывало недоверие у пользователей и рекламодателей. Некоторые обвиняли компанию в манипуляции лентой для увеличения прибыли.

Замена и эволюция

В 2011 году Facebook объявил о замене EdgeRank на более сложную систему машинного обучения. Новый алгоритм, названный «News Feed Ranking», использовал нейронные сети и учитывал сотни факторов: время суток, устройство пользователя, тип контента (текст, видео, ссылка), историю кликов, частоту обновления страницы и даже эмоциональную окраску записей. В отличие от трёхфакторной модели EdgeRank, новый алгоритм мог динамически взвешивать параметры в зависимости от поведения пользователя.

С 2013 года Facebook внедрил персонализированные «сигналы»: если пользователь часто смотрит видео, алгоритм повышал вес видеозаписей; если он редко кликает на ссылки — снижал их рейтинг. В 2018 году компания добавила фактор «времени, проведённого с контентом»: записи, которые пользователь долго просматривает или с которыми взаимодействует, получали приоритет.

Несмотря на замену, термин EdgeRank остался в обиходе как метафора для любого алгоритмического ранжирования в социальных сетях. В профессиональной среде его используют для обозначения ранних подходов к персонализации контента.

Влияние на другие платформы

Принципы EdgeRank повлияли на разработку алгоритмов других социальных сетей:

• ВКонтакте (принадлежит VK, не признан экстремистским в РФ) использует схожий механизм ранжирования ленты новостей, основанный на близости отношений, весе действий и времени публикации. Однако точные формулы не раскрываются.
• Twitter (заблокирован в РФ) в 2016 году внедрил алгоритм «Top Tweets», который ранжирует твиты по релевантности, а не по времени. Он учитывает частоту взаимодействия с автором, популярность твита и время.
• **Instagram (продукт Meta, признанной экстремистской и запрещённой в РФ)** (принадлежит Meta, признанной экстремистской и запрещённой в РФ) использует многофакторное ранжирование, где близость (лайки, комментарии, прямые сообщения) играет ключевую роль.

Интересные факты

• Название «EdgeRank» было придумано не инженерами Facebook, а журналистами и блогерами, которые анализировали поведение ленты. Сама компания официально называла алгоритм «News Feed Ranking» или «Relevancy Score».
• В 2010 году Facebook провёл эксперимент, в котором временно отключил EdgeRank для части пользователей. Результаты показали, что без алгоритма лента становилась хаотичной, а пользователи жаловались на спам и нерелевантный контент.
• EdgeRank не был единственным алгоритмом Facebook: для рекламных объявлений использовался отдельный механизм (Relevance Score), а для рекомендаций друзей — другой.

Источники

• Backstrom, L. (2013). «News Feed FYI: A Window Into News Feed». Facebook Engineering Blog.
• Bucher, T. (2012). «Want to be on the top? Algorithmic power and the threat of invisibility on Facebook». New Media & Society.
• Facebook Engineering (2009). «EdgeRank: The Algorithm Behind Your News Feed».
• Gillespie, T. (2014). «The Relevance of Algorithms». In: Media Technologies: Essays on Communication, Materiality, and Society.
• Pariser, E. (2011). «The Filter Bubble: What the Internet Is Hiding from You». Penguin Press.