Wie funktioniert der LinkedIn Feed bisher?
Wenn ein User den LinkedIn Feed aufruft, gibt es tausende von potenziellen Posts, welche ausgespielt werden können. Um in diesem riesigen Pool an Content eine erste Auswahl treffen zu können, identifiziert eine sogenannter „First-Pass Candidate Generation Layer“ zuerst die besten Neuigkeiten aus. Aus dieser Top-Auswahl an Neuigkeiten werden anschließend die finalen Posts ausgesucht, welche im Feed ausgespielt werden. Aber wie wird die finale Auswahl getroffen?
Nehmen wir an, ein User 1 findet einen Post eines anderen Users (User 2) aus seinem Netzwerk interessant und klickt auf den Inhalt um damit zu interagieren. Wenn er in Form von Likes, Comments oder Shares interagiert, nennt LinkedIn diese Form von Interaktion „Viral Actions“. Viral Actions wiederum erzeugen Upstream und/oder Downstream Netzwerkeffete.
- Downstream Netzwerkeffekt: Wenn User 1 den Post teilt, erzeugt er einen Downstream-Effekt, da alle Verbindungen aus dem Netzwerk von User 1 den Post ebenfalls in ihren Feeds ausgespielt bekommen.
- Upstream Netzwerkeffekt: Kommentiert User 1 den Post generiert er einen Upstream-Effekt, da er dem Content-Ersteller Feedback gibt und ihn dadurch evlt. ermutigt mehr Inhalte zu posten.
Bisher musste LinkedIn also bei jeder potenziellen Neuigkeit beachten, mit welcher Wahrscheinlichkeit User 1 mit dem Post interagiert und welche Up- oder Downstream-Effekte auf sein Netzwerk entstehen. Um die Wahrscheinlichkeiten zu berechnen nutzt LinkedIn Machine Learning Modelle. Die Modelle sagen bei jedem Click oder Viral Action folgende Größen vorher:
- P(action) = Wahrscheinlichkeit das User 1 diese Aktion bei der Neuigkeit ausführt
- E[downstream clicks/virals | action] = Erwartete Downstream Clicks wenn User 1 diese Aktion ausführt
- E[upstream value | action] = Erwarteter Upstream Wert für User 2 wenn User 1 diese Aktion ausführt
Die Ergebnisse der Modelle werden anschließend zu einem einzigen Score zusammengefasst, in dem alle drei Größen ausgewogen gewichtet werden. Mithilfe dieses Scores werden dann letztendlich die Rankings für jede Neuigkeit bestimmt.
Warum ist die Aufenthaltsdauer so wichtig?
Da die bisherige Methode hauptsächlich auf Vorhersagen der Clicks und Viral Actions beruht, hat dieser Ansatz zahlreiche Mängel:
- Es gibt sehr viele passive User welche zwar im Feed sind aber nur sehr selten mit Posts interagieren.
- Weitere Interaktionen wie z.B. das erneute Teilen eines bereits geteilten Beitrags sind nur schwer zu berücksichtigen.
- Wenn der User nach einem Click (aufgrund der schlechten Qualität des Contents) direkt wieder zurück zum Feed wechselt, wird das nicht beachtet.
Um diese Probleme zu umgehen wird nun die Aufenthaltsdauer bei der Erstellung des Feed beachtet. Genauer gesagt wird die Aufenthaltsdauer bei jedem neuen Update des Feeds gemessen.
LinkedIn unterscheidet dabei folgende zwei unterschiedliche Arten der Aufenthaltsdauer:
- „On the Feed“: Die Aufenthaltsdauer wird gemessen sobald der User die Hälfte des Feed Updates durch scrollen gesehen hat. Oder einfacher ausgedrückt, die Aufenthaltsdauer im eigentlichen Feed.
- „After the Click“: Die Aufenthaltsdauer, welche der User nach einem Click auf einen Content im Feed verbringt.
Laut LinkedIn kann sich so die Qualität der ausgespielten Inhalte im Feed deutlich verbessern. User verbringen schließlich mehr Zeit mit Inhalten, welche sie auch wirklich interessiert.
Wenn Du dich noch genauer für den Aufbau des LinkedIn Feeds interessierst, empfehlen wir Dir folgenden Blogartikel: https://engineering.linkedin.com/blog/2020/understanding-feed-dwell-time
