X's Empfehlungsalgorithmus Analyse ===================================== Verwendete Grok Code Fast, um eine schnelle Analyse von X's Empfehlungssystem zu erhalten. Was macht einen Beitrag viral =========================== tldr: Engagement-Vorhersage übertrumpft alles. Posten Sie Inhalte, die Interaktionen generieren. Basierend auf dem tatsächlichen Algorithmus-Code haben Beiträge, die am höchsten eingestuft werden, typischerweise: + Hohe vorhergesagte Engagement-Werte (ML-Modelle sagen Likes/Retweets/Antworten voraus) + Starke Personalisierung (SimClusters Ähnlichkeit zu Benutzerinteressen) + Relevanz des sozialen Netzwerks (RealGraph-Verbindungen zum Netzwerk des Benutzers) + Medieninhalte (Bilder/Videos erhalten Engagement-Multiplikatoren) + Autorität des Autors (Follower-Zahl, Verifizierung, tweepcred-Score) + Qualitätsindikatoren für Inhalte (besteht Spam/NSFW/Qualitätsfilter) + Zeitliche Relevanz (Frischefaktor, Trending-Themen) + Gesprächspotenzial (hohe Vorhersagewerte für Antworten) Der Algorithmus verwendet maschinelles Lernen, um Engagement vorherzusagen, nicht einfache gewichtete Formeln. Der Erfolg wird durch tatsächliche Benutzerinteraktionen gemessen, was einen Feedback-Loop schafft, der die Ranking-Vorhersagen kontinuierlich verbessert. Wie der Algorithmus tatsächlich funktioniert =============================== 1. Kandidatengenerierung (9 Quellen): - Earlybird (In-Network-Beiträge) ~50% - UTEG (Out-of-Network-Empfehlungen) - postMixer, Listen, Gemeinschaften, Inhaltserkundung - Statische, zwischengespeicherte, Backfill-Quellen 2. Feature-Hydration (~6000 Merkmale pro Beitrag): - Benutzermerkmale (Interessen, Verhalten, Demografie) - Beitragsmerkmale (Text, Medien, Metadaten, Engagement) - Graphmerkmale (SimClusters, RealGraph, soziale Verbindungen) - Echtzeitsignale (aktuelles Engagement, Trendstatus) 3. Scoring-Pipeline (4 Modelle): - Modellbewertung (NAVI schwerer Rangierer) - Neu-Ranking-Pipeline - Heuristische Bewertung - Niedrigsignalbewertung 4. Filterung (insgesamt 24 Filter): - 10 Globale Filter (Alter < 48h, Duplikatsprüfung, Standort usw.) - 14 Beitragsbewertungsfilter (Grok-Sicherheit, Sprache, Videodauer usw.) 5. Endauswahl & Mischung: - Nach Endwerten sortieren - Diversitätsregeln anwenden - Mit Werbung, Wer zu folgen, Aufforderungen mischen - Zeitachse generieren Wichtige Vorhersagemodelle ==================== Der Algorithmus sagt diese Engagement-Typen voraus: • VorhergesagterFavoritenScore (Likes) • VorhergesagterRetweetScore (Retweets) • VorhergesagterAntwortScore (Antworten) • VorhergesagterGuterKlickScore (bedeutungsvolle Klicks) • VorhergesagterVideoQualitätsAnsichtScore (Video-Engagement) • VorhergesagterLesezeichenScore (Speicherungen) • VorhergesagterTeilenScore (externe Shares) • VorhergesagterVerweildauerScore (verbrachte Zeit beim Ansehen) • VorhergesagterNegativesFeedbackScore (verstecken/blockieren) Gewichtungssystem Realität ==================== WICHTIG: Der Algorithmus verwendet KEINE festen Prozentgewichte wie: ❌ Like-Vorhersage (35%), Repost (28%), usw. TATSÄCHLICHES SYSTEM: ✅ Gewichte sind gelernte Parameter aus dem ML-Training ✅ Standardwerte im Code sind 0.0 (von Feature-Flags überschrieben) ✅ Gewichte sind personalisiert pro Benutzer und werden ständig A/B getestet ✅ Verschiedene Inhaltstypen (Video vs. Text) erhalten unterschiedliche Behandlungen ✅ Gewichte ändern sich basierend auf Echtzeitkontext und Benutzerstatus Beispiel für den Bewertungsprozess: 1. ML-Modelle sagen Engagement-Wahrscheinlichkeiten voraus 2. Feature-Flags bieten aktuelle Gewichtungsmultiplikatoren 3. Personalisierung passt Gewichte für den einzelnen Benutzer an 4. Echtzeitkontext modifiziert die Endwerte 5. Geschäftsregeln wenden Qualitätsfilter und Diversität an Was tatsächlich virale Inhalte antreibt ================================== Basierend auf der Code-Analyse haben virale Beiträge typischerweise: 1. Hohe Engagement-Vorhersagen generieren: - Modelle sagen hohe Wahrscheinlichkeit für Likes/Retweets/Antworten voraus - Inhalte sprechen mehrere Benutzer-Communities an - Starke frühe Engagement-Signale 2. Alle Qualitätsfilter bestehen: - Überstehen 24 verschiedene Filterstufen - Erfüllen Sicherheitsstandards (nicht Spam/NSFW/gewalttätig) - Autor hat gute Glaubwürdigkeitsindikatoren 3. Personalisierung in großem Maßstab erreichen: - Interessen über verschiedene Benutzersegmente abgleichen - SimClusters-Ähnlichkeit für viele Benutzer auslösen - Durch RealGraph soziale Beziehungen verbinden 4. Für Plattformmechaniken optimieren: - Medien einbeziehen (Bilder/Videos schneiden besser ab) - Zu Zeiten mit hoher Aktivität posten - Formate verwenden, die Antworten/Retweets fördern Wichtige Erkenntnisse ============= ✅ Engagement-Vorhersage ist alles - der Algorithmus optimiert für Benutzerinteraktionen ✅ Personalisierung ist ausgeklügelt - verwendet ML-Embeddings, nicht einfache Schlüsselwortübereinstimmungen ✅ Qualitätsfilterung ist umfangreich - 24 Stufen verhindern Inhalte von geringer Qualität ✅ Gewichte sind dynamisch - werden ständig durch ML und A/B-Tests optimiert ✅ Skalierung ist wichtig - das System verarbeitet täglich Milliarden von Beiträgen mit <50ms Latenz ✅ Transparenz existiert - diese Analyse ist möglich, weil X den Algorithmus Open Source gemacht hat Das System ist darauf ausgelegt, Inhalte anzuzeigen, mit denen Benutzer interagieren werden, und schafft einen Feedback-Loop, der Kreatoren belohnt, die ihr Publikum verstehen und ansprechende Inhalte produzieren. Fazit: Erstellen Sie Inhalte, die echte Interaktionen von Ihrem Zielpublikum generieren. Der Algorithmus wird lernen und verstärken, was funktioniert.