数字社交网络、机器智能和智能和智能手机的循环互动( 三 ) 本书摘编自《炒作机器》

在这里，互动是通过我们在处理这些内容的过程中表现出来的数十种行为来定义的。例如，我们可以点赞、点击、分享、花时间仔细阅读或观看、针对具体的内容撰写简短的评论等。预测模型会基于是谁上传了相关的内容、内容涉及了哪些领域或行业、其中是否包含了图片或视频、视频中有什么样的内容、是否是最新的内容，以及我们有多少朋友曾经点赞或分享了这些内容等，来预测我们是否也会参与这些内容互动。在根据数十种不同的参与度衡量标准得出了我们会参与互动的概率后，所有这些参与互动的概率都会被汇总成唯一的相关性评分。一旦每一篇内容都有了一个相关性评分（每一次当你打开信息流服务时，脸书的算法就会针对2000篇不同的内容为你计算出所有的相关性评分），它们就会被按照相关性评分逐次降低的顺序进行排列并显示在你的信息流服务中。
脸书在2006年推出信息流服务的时候，其主要目的还是向用户提供朋友的资料、照片以及状态的更新信息。在2009年点赞按钮被发明出来之前，信息流是根据有关内容发布的时间以及我们有多少个朋友曾经提到过某个帖子等因素来进行排序的。当然，这项服务的推出（站在脸书的角度）从根本上还是为了最大限度地提高用户的留存率和他们在网站上滞留的时间。点赞按钮的推出把信息流中的每一条新闻的价值和某种衡量“流行度”的标准捆绑在了一起，从而使优化的重点转向了那些具有更高的流行度的项目。
点赞按钮成了某种衡量流行度的公共标准，这一事实意味着出版商和普通的用户可以通过调整自己的内容来获取更多的点赞，而这又可以让内容赢得更高的“收视率” 。很多顾问公司声称自己可以“玩弄”算法，比如通过提高帖子的流行度使帖子在网上火起来，而现在这已经成了司空见惯的事。
但是，如果你认为信息流只考虑了点赞、评论和分享这些因素，那就过于简单了。脸书的工程师们很早就意识到，这些衡量指标并没有完全捕捉到人们想要从信息流中得到的东西，因此，他们决定通过直接提问来衡量用户的满意度。刚开始的时候，整个项目还只是一个针对1000个客户的小型“焦点小组” ，项目人员的办公室位于田纳西州的诺克斯维尔，而诺克斯维尔只不过是一个试点项目随意选取的“具有某些历史意义”的地址而已。但这个项目很快就成长为一个全球性的“信息推送质量论坛” ，这已经相当于一个针对脸书的信息流服务而设立的“尼尔森评级小组”了。
具体来讲，世界各地的用户可以就他们的信息流的内容和质量，有偿地参与评估并回答一系列的问题。通过将定量和定性的指标结合起来，脸书了解到，那些用户花了很多时间去阅读但并没有点赞的帖子对他们来讲依然是有价值的。比较典型的是，用户在看到关于他们自己朋友和家人的悲惨消息时，他们当然不会点赞（为了应对这一类情形，有关愤怒、悲伤和惊讶的反应后来也被添加了进来）。在上述实验中，脸书还设置了一个控制组，用户在这个组中是无法看到任何新的设计变更的，这样他们就能够具体评估哪些做法是有用的，而哪些做法根本没有效果。
当炒作机器通过感知并向人类推荐好友和内容的方式来架构我们人类的现实时，我们会通过消费炒作机器给出的建议，并按照这些建议采取行动的方式使整个过程都受到人类的主观能动性的影响。在炒作环路中，与人类能动性有关的“消费和行动”环路是我们将建议转变为行动，并将由此而产生的行为、反应以及观点反馈给炒作机器的过程。