Hoe aanbevelingsalgoritmen werken: de AI die je feed bepaalt

Elke keer wanneer iemand YouTube, TikTok of een vergelijkbare app opent, rangschikt software duizenden mogelijke video's, nummers of berichten in een fractie van een seconde en bepaalt welke handvol als eerste moet worden weergegeven. Dit is een aanbevelingssysteem: een reeks algoritmen die zijn ontworpen om te voorspellen welke items een specifieke gebruiker het meest waarschijnlijk wil, uit een catalogus die te groot is om handmatig door te bladeren.

De twee basisideeën achter elke aanbevelaar

Volgens NVIDIAs technisch woordenboek over aanbevelingssystemen combineren de meeste engines twee basisbenaderingen. Collaboratief filteren gaat ervan uit dat als mensen in het verleden vergelijkbare keuzes hebben gemaakt, ze dit in de toekomst waarschijnlijk ook zullen doen, dus het systeem zoekt naar gebruikers met overeenkomende gedragspatronen en beveelt aan wat die vergelijkbare gebruikers prettig vonden. Op inhoud gebaseerd filteren daarentegen kijkt naar de kenmerken van de items zelf — genre, acteurs, audiokarakteristieken, tags — en stelt items voor die vergelijkbaar zijn met items waarmee een gebruiker al heeft geïnteracteerd.

Het woordenboek van NVIDIA voegt een derde laag toe die door sommige platforms wordt gebruikt: contextfiltering, die situationele details zoals apparaattype, tijd van de dag of locatie in rekening neemt. Als voorbeeld noemt het de praktijk van Netflix om het land, apparaat, datum en tijd waarop een titel is bekeken in te wegen, naast het kijken zelf.

Moderne systemen vervangen of vullen deze benaderingen steeds vaker aan met deep learning. NVIDIA beschrijft methoden zoals Neural Collaborative Filtering, die matrixfactorisatie met meerlagige neurale netwerken combineert om niet-lineaire relaties tussen gebruikers en items vast te leggen, en op sequenties gebaseerde modellen die terugkerende netwerken of Transformers gebruiken om patronen te leren in de volgorde waarin een gebruiker dingen bekijkt of beluistert.

Wat platforms zeggen dat hun eigen algoritmen optimaliseren

Bedrijven publiceren zelden hun volledige rangschikkingscode, maar sommige beschrijven de doelstellingen en signalen erachter. TikToks Newsroom stelt dat zijn For You feed video's rangschikt met behulp van drie signaalcategorieën: gebruikersinteracties (likes, shares, follows, opmerkingen en wat een persoon maakt), video-informatie (ondertitels, geluiden, hashtags) en instellingen voor apparaat of account (taal, land, apparaattype). TikTok zegt dat deze signalen verschillend worden gewogen — een sterk signaal, zoals het kijken van een langer video tot het einde, telt meer dan een zwak signaal, zoals het delen van een algemene geografie met andere kijkers.

TikTok stelt expliciet dat het aantal volgers en de geschiedenis van een maker met goed presterende video's geen directe factoren zijn voor het feit of een bepaalde video wordt aanbevolen. Het bedrijf zegt ook opzettelijk content buiten de uitdrukkelijke interesses van een gebruiker te mengen en vermijdt om opeenvolgende video's van dezelfde maker of met dezelfde geluid te tonen, beschrijft dit als een manier om mensen "aanvullende mogelijkheden te geven om nieuwe inhoudscategorieën te ontdekken" in plaats van beperkt te zijn tot een enge feed.

De officiële pagina van YouTube "How YouTube Works" beschrijft het doel van het aanbevelingssysteem als het begrijpen van wat een kijker nodig heeft en het leveren van een kijkervararing die hen tevreden stelt, in plaats van eenvoudig de kijktijd te maximaliseren. Het somt de invoer op die aanbevelingen voeden: kijkgedrag en kijkgeschiedenis, expliciet engagement zoals likes en dislikes, abonnementen en direct feedback, de reputatie en kwaliteit van een kanaal en bredere trends onder het bredere publiek, niet alleen de geschiedenis van één persoon. YouTube zegt dat het gedragsgegevens aanvult met tevredenheidsenquêtes en externe evaluatortteams om te controleren of aanbevolen content echt van hoge kwaliteit is, en dat het voor gevoelige onderwerpen zoals nieuws, financiën, gezondheid of wetenschap extra gewicht toekennen aan gezaghebbende bronnen.

Waarom twee personen nooit dezelfde feed zien

Omdat collaboratief filteren het gedrag van een gebruiker met andere gebruikers vergelijkt en content filtering items vergelijkt met de eigen geschiedenis van een persoon, bevat geen account een identieke mix van signalen — verschillende kijkgeschiedenis, verschillende volgers, verschillende apparaten en locaties. TikTok stelt direct dat geen twee gebruikers dezelfde combinatie van video's in hun For You feed zien. Zowel YouTube als TikTok zeggen ook dat het systeem met elke nieuwe interactie wordt bijgewerkt, dus een feed die in de ochtend wordt waargenomen, kan 's avonds al anders uitzien op basis van wat ertussenin is bekeken, overgeslagen of als "niet interessant" is gemarkeerd.

Hoe nauwkeurig denken mensen dat deze systemen zijn?

Onderzoek naar hoe mensen algoritmische personalisatie daadwerkelijk waarnemen, is beperkter dan de technische literatuur. Een onderzoek van het Pew Research Center, gepubliceerd op 16 januari 2019, vroeg Facebook-gebruikers naar de interesse- en kenmerkencategorieën die het platform aan hen had toegewezen voor advertentiedoelgerichtheid. Het bleek dat 74% van de gebruikers deze lijst met kenmerken niet kende totdat het onderzoek hen erop wees, en slechts 12% was zich vooraf bewust. Nadat hun eigen categorieën waren getoond, zei 59% dat de labels hun werkelijke interesses redelijk of zeer nauwkeurig weerspiegelden, terwijl 27% het niet eens was; 51% zei zich ongemakkelijk te voelen met het samenstellen van dergelijke lijsten door het platform, zelfs toen ze deze als nauwkeurig beschouwden. Het onderzoek omvatte 963 Amerikaanse Facebook-gebruikers, 18 jaar en ouder, ondervraagd van 4 september tot 1 oktober 2018.

Kunnen gebruikers het algoritme beïnvloeden of beperken?

Beide bedrijven beschrijven gebruikersgerichte controles. De officiële pagina van YouTube merkt op dat ingelogde gebruikers hun zoek- en kijkgeschiedenis op elk moment kunnen pauzeren, bewerken of verwijderen, wat direct voeding geeft aan wat het aanbevelingssysteem leert. TikTok zegt dat likes, volgers, opmerkingen, hashtag-exploratie en expliciete "Niet Interessant" tikken allemaal toekomstige aanbevelingen aanpassen, naast de interessecategorieën die een persoon kan selecteren bij eerste configuratie van een account.