Facebook : l’algorithme des Reels désormais capable de cerner vos centres d’intérêt ?

Dans un article de blog publié ce mercredi 14 janvier 2026, le département ingénierie de Meta chargé des recommandations vidéo a dévoilé les contours d’un nouveau modèle de hiérarchisation des Reels sur Facebook. Baptisé User Trust Interest Survey (UTIS), il serait capable de dépasser les signaux traditionnels, comme les mentions J’aime ou le temps de visionnage, pour faire remonter des contenus qui correspondent aux « intérêts véritables » des utilisateurs, peut-on lire.

User Trust Interest Survey, un nouveau système de classement fondé sur « l’intérêt véritable »

Déjà expérimenté sur la plateforme avec, d’après Meta, des résultats encourageants sur la rétention et sur l’engagement, le modèle UTIS s’attache à mesurer la perception des utilisateurs. Ce que la firme qualifie, dans l’article, « d’intérêt véritable ».

Jusqu’ici, l’algorithme de Facebook suggérait des Reels en s’appuyant uniquement sur des signaux d’engagement, comme les likes, les partages ou le temps de visionnage. Une méthode incomplète, qui ne traduisait pas toujours les préférences réelles : un utilisateur peut visionner une vidéo dans son intégralité, sans forcément l’apprécier. « Ces signaux peuvent être bruités et ne pas capturer pleinement les subtilités de ce qui attire vraiment les utilisateurs ou de ce qu’ils veulent voir, expliquent les ingénieurs de Meta. Les modèles entraînés uniquement sur ces signaux ont tendance à recommander du contenu ayant une valeur utilisateur à court terme élevée mesurée par le temps de visionnage et l’engagement, mais ne capturent pas les intérêts véritables qui sont importants pour l’utilité à long terme du produit. »

« Nos recherches montrent qu’une correspondance d’intérêt efficace va au-delà du simple alignement thématique. Elle englobe également des facteurs tels que l’audio, le style de production, l’ambiance et la motivation », poursuivent-ils. En d’autres termes, deux Reels traitant de la même thématique peuvent susciter des réactions très différentes. Un décalage qu’il est complexe, voire impossible, de capter avec des indicateurs traditionnels. Meta a donc choisi de solliciter directement ses utilisateurs.

Des milliers d’utilisateurs interrogés pour affiner l’algorithme

Depuis plusieurs semaines, la firme californienne a ainsi déployé, sur Facebook Reels et « d’autres flux vidéos », des enquêtes à grande échelle pour obtenir des feedbacks. Plusieurs milliers d’utilisateurs, choisis au hasard, devaient évaluer l’adéquation entre le contenu visionné et leurs centres d’intérêt, en lui attribuant une note comprise entre 1 et 5. « Les résultats ont révélé que les heuristiques d’intérêt précédentes n’atteignaient qu’une précision de 48,3 % dans l’identification des intérêts véritables, révélant la nécessité d’un système de mesure plus fiable », souligne Meta.

Les données recueillies lors de cette enquête ont été utilisées pour entraîner le modèle UTIS, afin qu’il puisse évaluer la « probabilité qu’un utilisateur soit satisfait d’une vidéo », explique Meta. Au-delà de l’amélioration de la précision des recommandations, et de la hausse de certains signaux d’engagements qui seraient prometteurs selon Meta, ce nouveau modèle aurait également favorisé « la valorisation de contenus de niche de haute qualité » et « une diminution des recommandations médiocres basées sur la popularité ». Reste à savoir si ce système remanié suffira à réduire, ne serait-ce que modestement, l’écart technologique avec TikTok, dont l’algorithme de recommandations reste la référence absolue du secteur.