Friend Bubbles: Facebook Reels의 소셜 발견 강화

Friend Bubbles는 Facebook Reels에서 친구가 좋아요를 누르거나 반응한 영상을 버블로 보여줘, 콘텐츠 발견과 대화 시작을 더 쉽게 만든다. 탭 한 번으로 해당 Reel에 반응한 친구와 1:1 대화를 바로 열 수 있다.

시스템은 viewer-friend closeness와 video relevance를 함께 써서, 친구 관계가 강하고 영상과의 맥락도 맞는 콘텐츠를 우선 노출한다. 친구 반응이 여러 번 쌓인 영상은 공유 관심사가 더 강한 신호로 해석되며, 이런 소셜 신호가 추천 품질을 다시 끌어올리는 피드백 루프를 만든다.

친구-친구 친밀도는 두 가지 모델로 판단한다.

• 설문 기반 closeness model: mutual friends, interaction patterns, user-provided location, 친구 수, 게시물 수 같은 소셜 그래프/사용자 속성을 바탕으로 학습한다.
• on-platform activity 기반 model: 버블이 표시될 때의 likes, comments, reshares 같은 실제 상호작용 신호를 사용해, 플랫폼 안에서의 맥락적 친밀도를 예측한다.

설문 기반 모델은 랜덤 표본 사용자에게 “실생활에서 이 연결과 가까운가”를 묻는 가벼운 binary survey로 라벨을 만들고, 정기적으로 재학습된다. 운영 환경에서는 trillions of person-to-person connections에 대해 매주 추론을 수행한다.

영상 추천 쪽에서는 두 가지가 핵심이다. 먼저 retrieval 단계에서 closeness model로 식별된 가까운 친구가 반응한 영상을 후보로 끌어올려 top of funnel을 넓힌다. 그다음 ranking 단계에서는 친구-bubble 상호작용을 feature와 multi-task, multi-label(MTML) 과제에 넣어, 관계 강도와 사회적 의미를 더 잘 학습하도록 만든다.

특히 기존 모델이 친구 콘텐츠를 낮게 평가하던 이유는 품질이 낮아서가 아니라 user-user closeness context가 없었기 때문이라고 본다. 이를 보완하기 위해 friend-bubble interaction data를 학습에 다시 넣는 continuous feedback loop를 구성했고, 영상 engagement와 버블 노출의 조건부 확률인 **P(video engagement | bubble impression)**까지 포함한 friend-bubble ranking objective를 도입했다.

클라이언트 측에서는 Reels의 성능을 해치지 않도록 제약을 강하게 걸었다.

• smooth scrolling
• no regressions in load latency
• low CPU overhead for metadata fetch and processing

이미 video delivery 시스템이 playback 전에 metadata, thumbnails, buffered content를 prefetch하고 있었기 때문에, friend-bubble metadata retrieval도 같은 prefetch window에 붙였다. 덕분에 캐시 재사용, 불필요한 CPU 작업 감소, 중복 네트워크 요청 최소화가 가능했고, 버블 데이터가 영상과 동시에 도착해 중간 redraw 없이 렌더링할 수 있었다.

애니메이션은 스크롤 중과 상호작용 중에는 꺼서 반응성을 지키고, 저사양 기기에서는 idle 상태에서도 아예 비활성화한다. 또한 버블이 너무 많아 화면을 어지럽히지 않도록 보수적인 threshold를 적용해, 관계 신호가 강한 친구만 노출되게 했다.

효과도 분명했다. 버블이 붙은 영상은 사용자 설문에서 더 높은 interest score와 더 긍정적인 sentiment를 얻었고, 세션 길이도 짧은 체크인보다 긴 시청 세션 쪽에서 더 많이 늘었다. 특히 love나 laughter 같은 expressive reaction은 단순 like보다 댓글과 private share에서 더 강한 downstream engagement를 만들었다.

앞으로는 friend-driven recommendation을 더 많은 surface와 inventory로 확장하고, friend graph가 작은 사용자에게는 cold start를 개선하며, ranking과 feedback signal을 더 정교하게 다듬는 방향으로 간다. 결국 이 구조는 추천 시스템이 대규모 환경에서도 공유 관심사를 발견하게 하고, 그 관심사를 실제 대화로 이어지게 만들 수 있음을 보여준다.