Header Ads





LinkedIn intègre les facteurs “Dwell Time” à son algo de ranking

Dwell Time sera désormais pris en considération lorsque le contenu est classé dans le flux LinkedIn.

LinkedIn intègre les facteurs “Dwell Time” à son algo de ranking

LinkedIn a publié cette semaine un aperçu de sa nouvelle mesure du « Dwell Time », qui est maintenant prise en compte dans son algorithme de flux, qui définit ce que chaque utilisateur voit sur la plate-forme.

Dwell Time, comme il semble, calcule combien de temps un utilisateur LinkedIn passe à regarder une mise à jour ou un lien.



Facebook utilise une considération similaire dans son algorithme de fil d’actualité, en tenant compte de combien de temps chaque utilisateur passe sur un morceau de contenu, qui, ensuite, en fonction de ce sur quoi ils passent du temps avec, infère au système que l’utilisateur est intéressé par plus ou moins de la même chose.

Cela aide alors à dicter l’ordre des messages que vous voyez.

LinkedIn dit qu’il a effectué une gamme de tests pour déterminer s’il y avait un moment définitif où le Dwell Time ou temps de visite était indicatif de l’intérêt de l’utilisateur - c’est-à-dire y a-t-il un seuil de couverture à partir de la durée de lecture (Dwell Time) qui suggère que l’utilisateur ne cliquera jamais ou n’engagera jamais avec certains messages.

Les ingénieurs de LinkedIn ont constaté qu’il en y avait, et c’est intéressant, qu’il était assez universel dans toutes les formes de mises à jour LinkedIn.

LinkedIn met donc à jour l’algorithme utilisé pour classer le contenu dans son flux en tenant compte de la quantité de temps (Dwell Time) que les utilisateurs passent avec chaque publication.

Dans un article de blog, LinkedIn lève un coin de voile sur son algorithme et offre un aperçu détaillé de la façon dont le contenu est classé.


Comment LinkedIn classe le contenu ?


Lorsqu’un utilisateur se connecte à LinkedIn, il existe des dizaines de milliers de publications «candidates» qui pourraient apparaître dans son flux. Ces messages passent à travers une première-couche, la couche qui génère les candidats.

À ce stade, LinkedIn applique un algorithme de classement léger pour identifier les meilleurs candidats.

LinkedIn détermine ensuite comment classer les meilleurs candidats dans le fil des nouvelles des utilisateurs individuels en fonction d’un certain nombre de facteurs.


Actions virales


Ces 3 formes d’engagement sont appelées « actions virales » :

  • Réactions

  • Commentaires

  • Partages

Les actions virales peuvent avoir des effets réseau en aval et/ou en amont.

Le nouveau partage d’un post, par exemple, créera un effet en aval. Cela signifie que les connexions de l’utilisateur qui a re-partagé le post finiront également par le voir.

Commenter un message, d’autre part, créera un effet en amont. Cela signifie qu’il sera stimulé plus haut dans les flux des utilisateurs qui sont connectés à l’auteur de la publication.

Pour chaque post candidat, l’algorithme de LinkedIn tient compte de la probabilité d’engagement des utilisateurs et des effets potentiels en amont et en aval.


Pourquoi le Dwell Time est important ?


Il y a des lacunes à un algorithme qui s’appuie sur la prévision du nombre de clics et de viralités.

Par exemple, les clics et les actions virales peuvent être rares, en particulier pour les consommateurs passifs du flux des nouvelles.

Une autre limitation est la nature binaire des clics et des actions virales - ce qui signifie qu’ils sont soit effectués, soit ils ne le sont pas.

L’algorithme de LinkedIn mesure si une action a été effectuée, mais pas combien de temps un utilisateur a passé avec un morceau de contenu après avoir pris des mesures.

Ils peuvent avoir cliqué sur une publication et immédiatement retourné au flux principal.

Pour compenser ces lacunes, LinkedIn a commencé à envisager le temps passé (Dwell Time), en disant qu’il offre les avantages suivants sur uniquement regarder les clics et les actions virales:

Pour compenser ces lacunes, LinkedIn a commencé à envisager le temps passé (Dwell Time), en disant qu’il offre les avantages suivants sur uniquement regarder les clics et les actions virales



Finalement, c’est quoi le Dwell Time ?


C’est ainsi que LinkedIn explique le temps passé ou Dwell Time :

À un niveau élevé, chaque mise à jour vue sur le flux génère deux types de Dwell Time.

Tout d’abord, il y a un Dwell Time « sur le flux », qui commence à mesurer quand au moins la moitié d’une mise à jour du feed (flux ou fil) est visible pendant qu’un membre fait défiler son flux.

Deuxièmement, il y a le Dwell Time « après le clic », c’est-à-dire le temps passé sur le contenu après avoir cliqué sur une mise à jour du flux.

Les ingénieurs de LinkedIn ont déterminé, à travers une série de tests, que le temps passé est un indicateur fiable pour savoir si un utilisateur est susceptible de s’engager avec un post ou pas.


Le Dwell Time dans l’algorithme de LinkedIn


Les utilisateurs de LinkedIn ont tendance à passer plus de temps à consulter les mises à jour sur lesquelles ils décident de prendre une action virale.

Tout en sachant que LinkedIn a intégré le temps passé ou “Dwell Time” dans son algorithme de flux pour augmenter la probabilité que les utilisateurs voient des messages qu’ils vont engager avec.

Pour les spécialistes du marketing, cela signifie que vous devez créer des messages LinkedIn qui non seulement vont capter l’attention des utilisateurs, mais se maintiennent pendant une longue période de temps.

Comme dit plus haut, LinkedIn n’est pas le premier réseau social à tenir compte du temps passé dans son algorithme, Facebook le fait aussi

À l’avenir, les messages les plus réussis ne seront pas toujours ceux qui obtiennent le plus de likes, commentaires et partages.

L’idée ici est qu’ils attirent les clics - avec le texte si largement réparti, les utilisateurs ne peuvent voir la première ligne ou plus dans l’aperçu in-feed, de sorte qu’ils doivent cliquer pour visiter le contenu intégrale.

Ce clic a, jusqu’à présent, a été un facteur clé dans la détermination de la portée de l’algorithme, que LinkedIn note dans son aperçu du Dwell Time :

Nous formons nos modèles d’apprentissage automatique pour prédire plusieurs quantités pour chaque clic possible et l’action virale (cliquer, réagir, commenter, partager).

Les sorties de ces modèles sont ensuite synthétisées en une seule partition à l’aide d’une combinaison linéaire pondérée.

Enfin, ce score est utilisé pour effectuer un classement de toutes les mises à jour des candidats.

Toutefois, ces signaux ne signifieront pas beaucoup si les gens ne passent pas aussi du temps à consommer le contenu avec lequel ils engagent.

Source : Searchenginejournal




Aucun commentaire

Remarque : Seul un membre de ce blog est autorisé à enregistrer un commentaire.