X hat den Empfehlungsalgorithmus, der den „For You“ (Für dich)-Feed der Nutzer bestimmt, als Open Source veröffentlicht. Diese von Elon Musk letzte Woche angekündigte Entwicklung ermöglicht es nun jedem, den Mechanismus der Inhaltssortierung der Plattform zu untersuchen. Musk gab zudem bekannt, dass der Algorithmus monatlich regelmäßig aktualisiert wird.
Das über GitHub geteilte Repository legt die technische Infrastruktur des Empfehlungssystems von X detailliert offen.
Grok im Zentrum der Architektur
Der als Open Source geteilte Algorithmus basiert auf der Transformer-Architektur, die auch im von xAI entwickelten Grok-Modell verwendet wird. X hat diese Struktur aus der Open-Source-Version von Grok-1 adaptiert und für Empfehlungssysteme spezialisiert. Den veröffentlichten Codes zufolge wurden manuell definierte Merkmale und klassische heuristische Regeln fast vollständig entfernt. Entscheidungen darüber, wem welche Inhalte gezeigt werden, basieren größtenteils auf dem Verständnis des Modells für das Nutzerverhalten.
Wie funktioniert der X-Feed?
Der „Für dich“-Feed wird durch die Kombination von Beiträgen aus zwei Hauptquellen erstellt. Die erste ist die netzinterne Quelle namens „Thunder“, die Inhalte von Konten umfasst, denen der Nutzer folgt. Die zweite Quelle ist das netzexterne System „Phoenix Retrieval“, das plattformübergreifend durch maschinelles Lernen entdeckte Beiträge enthält. Inhalte aus diesen beiden Quellen werden vom Grok-basierten Transformer-Modell gemeinsam sortiert, wobei für jeden Beitrag Interaktionswahrscheinlichkeiten berechnet werden.
Die Komponente, die eine zentrale Rolle bei der Erstellung des „Für dich“-Feeds spielt, wird als „Home Mixer“ bezeichnet. Diese Ebene sammelt den Nutzerkontext, führt Kandidatenbeiträge zusammen, reichert sie mit Daten an, filtert ungeeignete Inhalte heraus und wählt in der letzten Phase die Beiträge mit der höchsten Punktzahl aus.
Thunder fungiert derweil als die Komponente von X, die netzinterne Inhalte verwaltet. Dieses in Echtzeit arbeitende System verfolgt das Erstellen und Löschen von Beiträgen über Kafka. Thunder speichert Beiträge nutzerbasiert im Arbeitsspeicher und kann so Inhalte von gefolgten Konten mit Antwortzeiten im Sub-Millisekundenbereich bereitstellen, ohne auf eine externe Datenbank angewiesen zu sein. Alte Beiträge werden nach Ablauf der festgelegten Aufbewahrungsfrist automatisch aus dem System entfernt.
Phoenix hingegen erfüllt als Hauptkomponente im Bereich des maschinellen Lernens zwei Funktionen. In der ersten Phase wandelt es mit einer „Two-Tower“-Modellstruktur die Interaktionshistorie des Nutzers und alle Beiträge auf der Plattform in Vektordarstellungen um. So werden durch Ähnlichkeitsberechnungen die relevantesten netzexternen Beiträge für den Nutzer ausgewählt. In der zweiten Phase tritt das Grok-basierte Transformer-Modell in Aktion und schätzt für jeden Kandidatenbeitrag separat die Wahrscheinlichkeit verschiedener Interaktionstypen wie Likes, Antworten, Teilen, Klicks und Views ein.
Kandidatenbeiträge werden über das „Candidate-Pipeline“-Framework verarbeitet, das eine systemweit wiederverwendbare Struktur bietet. Diese ermöglicht es, Inhalte aus verschiedenen Quellen parallel zu sammeln, anzureichern und zu filtern. In der Filterphase werden doppelte Beiträge, sehr alte Inhalte, Posts von blockierten oder stummgeschalteten Konten, bereits gesehene Beiträge und unzugängliche Abonnement-Inhalte entfernt. In der letzten Phase des Feeds werden gelöschte, als Spam markierte oder gegen Plattformrichtlinien verstoßende Inhalte durch zusätzliche Kontrollen aussortiert.
Das Phoenix-Modell berechnet separate Wahrscheinlichkeitswerte für zahlreiche Interaktionstypen, anstatt nur einen einzigen „Relevanz-Score“ pro Beitrag zu generieren. Positive Interaktionen wie Likes, Antworten, Retweets, Zitate, Klicks, Profilbesuche, Video-Views, Fotovergrößerungen und Teilen werden mit positiven Gewichtungen bewertet. Negative Aktionen wie Blockieren, Stummschalten und Melden werden mit negativen Gewichtungen berücksichtigt. Der endgültige Ranking-Score ergibt sich aus der gewichteten Summe dieser Wahrscheinlichkeiten.
Algorithmus nun fast vollständig KI-gesteuert
Die von X geteilten Open-Source-Codes zeigen, dass das Empfehlungssystem weitgehend vollständig von KI gesteuert wird. Inhalte werden nicht nach festen Kategorien-Tags gematcht, sondern über das Nutzerverhalten und die Reaktionen anderer Nutzer mit ähnlichen Interessenprofilen. Diese Struktur ermöglicht es dem Feed, sich in Echtzeit ständig neu zu formen.
Die Multi-Aktions-Vorhersagestruktur des Modells macht auch die Auswirkungen von negativem Feedback deutlicher sichtbar. Da Aktionen wie Blockieren und Melden technisch mit negativen Gewichtungen eingerechnet werden, kann die Sichtbarkeit von Inhalten, die solche Reaktionen hervorrufen, rapide sinken.
Was muss man tun, um im Feed hervorzustechen?
Der X-Algorithmus verfolgt, wie andere soziale Medien auch, das Ziel, den Nutzer auf der Plattform zu halten. Der Algorithmus modelliert fast alle Nutzeraktionen einzeln. Dass jede Aktion unterschiedliche Gewichtungen hat, führt dazu, dass nicht nur die Tatsache entscheidend ist, dass ein Inhalt Interaktionen erhält, sondern auch, welche Art von Interaktion er hervorruft.
Diese Struktur rückt die Aufmerksamkeitsspanne ins Zentrum des Algorithmus. Wenn ein Nutzer bei einem Beitrag verweilt oder den Inhalt tatsächlich liest, wird dies vom System als Qualitätssignal gewertet. Daher zeigt sich, dass Thread-Beiträge, Storytelling und Inhalte mit hoher Lesbarkeit häufiger hervorgehoben werden. Der Algorithmus hat sich zu einer Struktur entwickelt, die das Abschlussverhalten beim Konsumieren von Inhalten belohnt.
Ein kurzes Posting mit anschließendem externen Link ist für die Reichweite von Beiträgen nicht förderlich. Denn das Ziel ist es, den Nutzer auf der Plattform zu halten.
Der in den Open-Source-Codes sichtbare Mechanismus zur Vielfalt der Content-Ersteller ist ebenfalls entscheidend für die Sichtbarkeit. Das System unterdrückt bewusst die aufeinanderfolgende Anzeige von Beiträgen desselben Kontos, was den Effekt der Followerzahl als alleiniges Kriterium verringert. Wenn ein Beitrag performt, kann er unabhängig von der Größe des Kontos in den Testprozess für ein breiteres Publikum aufgenommen werden.
Dieser Ansatz hat jedoch seinen Preis. Negatives Feedback hat eine starke Unterdrückungswirkung im System. Signale wie Blockieren und Stummschalten können die Reichweite von Inhalten schnell nach unten ziehen. Dies zeigt, dass die Erzeugung von echtem Mehrwert anstelle von „billiger Interaktion“ entscheidender geworden ist.
- Erstellen Sie Inhalte, die die Aufmerksamkeitsspanne erhöhen
- Nutzen Sie starke Einstiege und neugierig machende Anfänge
- Lösen Sie Antwort- und Speicherverhalten aus
- Bevorzugen Sie kurze Absätze mit hoher Lesbarkeit
- Legen Sie Wert auf frühe Interaktion
- Vermeiden Sie negatives Feedback
- Gehen Sie vorsichtig mit externen Links um
- Konzentrieren Sie sich auf Inhalte, die menschliche Reaktionen hervorrufen
- Halten Sie sich von billiger Interaktion fern
- Verlassen Sie sich nicht allein auf die Followerzahl
