---
title: "Algorithme de recommandation : comment les algorithmes des réseaux sociaux classent les contenus"
description: "L'algorithme de recommandation expliqué : Candidate Generation, Heavy Ranking, Value Model et le passage au Content Graph. Ce qui est identique sur toutes les plateformes."
locale: "fr"
canonical: "https://blckalpaca.at/fr/base-de-connaissances/reseaux-sociaux/algorithmes-des-reseaux-sociaux-distribution/algorithme-de-recommandation-comment-les-algorithmes-des-reseaux-sociaux-classen"
category: "Réseaux sociaux"
topic: "Algorithmes des réseaux sociaux & distribution"
updated: "2026-10-28T13:27:38.952Z"
source: "Blck Alpaca e.U., blckalpaca.at"
---

# Algorithme de recommandation : comment les algorithmes des réseaux sociaux classent les contenus

Un algorithme de recommandation est un système prédictif qui estime, pour chaque combinaison d'utilisateur et de publication, la probabilité de certaines actions, puis en déduit l'ordre du fil d'actualité. Instagram, TikTok, LinkedIn et X utilisent pour cela le même pipeline en quatre étapes : Candidate Generation, Light Ranking, Heavy Ranking et Re-Ranking. Ils se distinguent surtout par les poids avec lesquels leur Value Model combine les actions prédites.

## L’essentiel

- Un algorithme de recommandation n'attribue pas la portée selon des règles : il prédit des probabilités d'action et trie les contenus en fonction de celles-ci.
- Les quatre étapes, Candidate Generation, Light Ranking, Heavy Ranking et Re-Ranking, sont construites de la même manière sur les grands réseaux ; les différences se trouvent dans les poids et dans la couche Trust and Safety.
- Le Value Model combine plusieurs actions prédites en un score ; l'article arXiv « Choosing the Right Weights » (2023) décrit cette agrégation comme une combinaison linéaire des signaux individuels.
- Instagram distingue explicitement la portée auprès des abonnés de la portée auprès des non-abonnés et pondère différemment les mêmes signaux dans les deux cas.
- Les grands modèles de fondation regroupent ce que de nombreux modèles individuels apprenaient autrefois séparément : selon Meta, son modèle publicitaire GEM est 4 fois plus efficace que la génération précédente, et 360Brew de LinkedIn est un modèle decoder-only de 150 milliards de paramètres pour plus de 30 tâches de prédiction.
- Dans l'UE, le règlement sur les services numériques (DSA) oblige les plateformes dotées de systèmes de recommandation à présenter leurs principaux paramètres de manière compréhensible ; les très grandes plateformes doivent en outre proposer une variante sans profilage.
- Hormis le code de X, rendu public, les poids exacts du classement ne sont pas publiés ; les principes d'architecture sont donc plus fiables que les pourcentages qui circulent (état : août 2026).

La portée sur les réseaux sociaux ne s'attribue pas, elle se prédit. Chaque grand réseau exploite un système qui estime, pour chaque combinaison d'utilisateur et de publication, la probabilité d'une action précise : regarder, liker, commenter, partager, faire défiler, signaler. De ces probabilités naît un score, et du score l'ordre dans le fil. Ce que les équipes marketing vivent comme « l'[algorithme](https://blckalpaca.at/fr/glossaire/algorithme) n'a pas diffusé mon post » est précisément le résultat de ce calcul.

Le constat le plus important en pratique : les plateformes diffèrent par leurs poids, à peine par leur architecture. Si tu as compris la mécanique commune, tu apprends un seul algorithme et, pour chaque plateforme, seulement ses écarts.

## Comment fonctionne un algorithme de recommandation en quatre étapes

Le problème de fond est un problème de calcul. Entre le moment où quelqu'un ouvre l'application et le fil final, il s'écoule des millisecondes, et dans ce laps de temps, impossible d'évaluer chaque publication disponible avec un grand modèle. On réduit donc l'ensemble par étapes, avec une évaluation de plus en plus coûteuse. Chaque étape a son propre critère d'exclusion, et une publication absente de l'étape un ne peut plus rien gagner à l'étape trois.

**Candidate Generation.** Une présélection de quelques milliers de candidats est tirée de l'ensemble des publications. Cela ne se fait pas en les passant en revue, mais grâce aux embeddings : un [réseau de neurones](https://blckalpaca.at/fr/glossaire/reseau-de-neurones) représente les utilisateurs, un second les contenus, les deux dans le même espace vectoriel (architecture two-tower). La sélection est alors une recherche de voisins, techniquement une requête de plus proches voisins approximatifs (Approximate Nearest Neighbour). Cette étape décide si ta publication entre tout court dans la sélection restreinte. C'est aussi pour cela que la clarté thématique pèse plus que la fréquence : un compte sans profil thématique identifiable n'atterrit dans aucun voisinage net.

**Light Ranking.** Un modèle peu coûteux effectue un pré-tri grossier de l'ensemble des candidats et le réduit à une taille compatible avec une évaluation coûteuse. Ici comptent quelques caractéristiques disponibles rapidement : les performances passées de contenus similaires, la fraîcheur, l'adéquation approximative entre le profil de l'utilisateur et celui de la publication. Cette étape explique pourquoi une publication qui démarre mal se redresse rarement. Elle est éliminée avant même que le modèle précis ne la voie.

**Heavy Ranking.** C'est maintenant le véritable modèle prédictif qui entre en jeu. Il évalue les candidats restants et prédit plusieurs actions simultanément au lieu d'optimiser une seule variable cible (multi-task prediction). Le résultat est, pour chaque publication, un ensemble de probabilités.

**Re-Ranking.** La dernière étape corrige l'ordre fondé sur le seul score : diversité (pas trois fois de suite le même auteur), règles métier (part de publicité, fraîcheur), Trust and Safety (règles de modération, limitation de la portée pour les cas limites). Ce qui est filtré ici n'apparaît pas dans le fil, quel que soit le score de classement.

| Étape | Rôle | Technique typique | Ce sur quoi tu peux agir |
| --- | --- | --- | --- |
| Candidate Generation | Réduire des milliards d'items à quelques milliers | Embeddings two-tower, recherche ANN | Clarté thématique, langue, entités, transcription audio |
| Light Ranking | Pré-trier grossièrement les candidats | Petit modèle peu coûteux | Qualité des premiers signaux, adéquation du format à la surface |
| Heavy Ranking | Prédire les probabilités d'action | Modèle neuronal multitâche | Accroche, temps de consultation, partageabilité, déclencheurs de commentaires |
| Re-Ranking | Imposer diversité, règles et sécurité | Règles plus classifieurs | Originalité, conformité aux règles, diversité des auteurs |

Les quatre étapes expliquent aussi pourquoi les diagnostics de portée se contredisent si souvent. Une publication peut échouer à des endroits très différents : parce qu'elle ne se rattache à aucun thème (Candidate Generation), parce que les premières secondes n'apportent rien (Light Ranking), parce qu'elle est cliquée mais pas regardée jusqu'au bout (Heavy Ranking), ou parce qu'une règle de modération s'applique (Re-Ranking). Vu de l'extérieur, chacun de ces quatre scénarios a le même aspect : peu de portée. Sans séparer les causes, on optimise la mauvaise étape.

Si tu viens de la recherche ou de l'[IA](https://blckalpaca.at/fr/glossaire/ia), tu reconnais tout de suite le schéma : un retrieval peu coûteux, une réévaluation coûteuse. C'est la même dichotomie que décrit le [reranking dans les systèmes RAG](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/les-systemes-rag-en-ia-expliques/reranking-en-rag-cross-encoder-vs-bi-encoder), avec des documents au lieu de posts.

## Le Value Model : ce que « bon » signifie pour la machine

Le faisceau de probabilités doit devenir un seul nombre, sinon il n'y a pas d'ordre. Cette conversion est assurée par le Value Model, une fonction d'utilité pondérée portant sur les actions prédites. L'article arXiv de Milli, Pierson et Garg explique que [l'agrégation se fait sous forme de combinaison linéaire des signaux individuels, et renvoie aux dix actions dont X a publié les poids en 2023](https://arxiv.org/abs/2305.17428).

C'est le levier que les plateformes actionnent réellement. Quand un réseau « change l'algorithme », il reconstruit rarement le pipeline : il déplace des poids ou ajoute un nouvel objectif de prédiction. LinkedIn l'a documenté dans son article de recherche sur le classement, LiRank : [pour le fil, six prédictions sont combinées linéairement, dont un signal long-dwell introduit spécialement pour détecter la lecture passive](https://arxiv.org/abs/2402.06859). Le temps de consultation y est l'un des six objectifs et se compense avec les cinq autres ; le seuil correspondant est volontairement défini en fonction du contexte plutôt que comme un nombre fixe de secondes.

Le poids de chaque action est difficilement mesurable de l'extérieur. La plateforme d'analyse AuthoredUp conclut, sur la base de son propre jeu de données de plus de 621 000 publications LinkedIn, que [les commentaires comptent environ deux fois plus que les likes](https://authoredup.com/blog/linkedin-algorithm). Il s'agit de l'analyse d'un prestataire tiers, pas d'une donnée de LinkedIn, à lire donc comme un ordre de grandeur. Les facteurs nettement plus élevés qui circulent dans les guides pratiques n'ont été reproduits de manière indépendante nulle part.

La limite honnête : à ce jour, seul X a publié des poids de classement exacts. En 2023, X a publié son code de classement avec les poids, en janvier 2026 le [code du nouveau fil For You](https://ppc.land/xs-algorithm-source-code-drops-what-it-reveals-about-the-platforms-feed-mechanics/) et en août 2026 également [les poids avec lesquels ce fil convertit les actions prédites en score](https://github.com/xai-org/x-algorithm). Les autres grandes plateformes ne publient pas de poids exacts. Les composants que l'on peut déduire du code de X sont détaillés dans l'article sur l'[algorithme de X et son code open source](https://blckalpaca.at/fr/base-de-connaissances/reseaux-sociaux/algorithmes-des-reseaux-sociaux-distribution/algorithme-x-twitter-ce-que-revele-le-code-open-source).

La mécanique sous-jacente est ancienne et dérangeante :

> « Plus une publication est populaire, plus elle obtient de portée. […] Celui qui comprend ce principe peut l'exploiter pour lui-même et pour ses propres objectifs. »

[Björn Tantau, consultant en réseaux sociaux, sur LinkedIn](https://de.linkedin.com/posts/bjoerntantau_socialmediamarketingtipps-socialmedia-activity-7000455065551413249-1SFV). La phrase décrit avec justesse la boucle de rétroaction : les premiers signaux augmentent la valeur prédite, la valeur accrue apporte davantage de diffusion, et davantage de diffusion génère de nouveaux signaux.

## Du Social Graph au Content Graph

Pendant des années, la distribution était une question de connexion : tu suis quelqu'un, tu reçois ses publications. Ce modèle n'a pas disparu, mais il est passé au second plan. La règle aujourd'hui, c'est la diffusion fondée sur les centres d'intérêt, où le système déduit du comportement d'utilisateurs similaires ce qui pourrait convenir.

Instagram rend cette dichotomie explicite. En janvier 2025, Adam Mosseri a nommé les trois signaux centraux en distinguant la portée auprès des abonnés de la portée auprès des non-abonnés : [le temps de visionnage (watch time), les likes et les envois (sends) sont les signaux les plus importants, les likes comptant un peu plus pour les contenus vus par les abonnés existants et les envois pour les recommandations aux non-abonnés](https://www.socialmediatoday.com/news/instagram-shares-algorithm-2025/738034/). Les mêmes signaux, des poids différents, deux réservoirs de portée. Ce que cela implique concrètement pour les formats et les signaux sur Instagram est traité dans l'article sur l'[algorithme Instagram en 2026](https://blckalpaca.at/fr/base-de-connaissances/reseaux-sociaux/algorithmes-des-reseaux-sociaux-distribution/algorithme-instagram-2026-watch-time-likes-et-partages).

Sur le plan stratégique, cette transformation signifie que ton nombre d'abonnés n'agit plus qu'à la première étape. Il fournit au système un premier ensemble de candidats peu coûteux et donc des signaux rapides. La diffusion d'une publication dépend de la qualité de ces signaux, pas de la taille du compte. Concrètement, chaque post repart en concurrence avec l'ensemble des contenus pertinents du sujet, au lieu d'hériter d'une portée de base acquise. Selon nous, c'est la principale raison pour laquelle les plannings éditoriaux qui tablent sur une portée constante par post se trompent régulièrement.

Un effet secondaire concerne la réutilisation de contenus. Instagram exclut [des surfaces de recommandation les comptes qui publient dix fois ou plus en 30 jours des contenus d'autrui sans les retravailler](https://creators.instagram.com/recommendations-and-originality?locale=en_GB). Quand la distribution passe par les recommandations, l'originalité devient une condition d'accès.

## Les modèles de fondation regroupent les collections de modèles

Jusqu'à récemment, une stack de classement se composait d'une multitude de modèles spécialisés, un par tâche et par surface. Désormais, de grands modèles de fondation apprennent de manière centralisée ce que chaque modèle individuel apprenait autrefois de son côté. Meta décrit son modèle publicitaire [GEM comme le plus grand modèle de fondation du secteur pour les systèmes de recommandation, entraîné sur des milliers de GPU à l'échelle des grands modèles de langage et 4 fois plus efficace par quantité de données et de calcul mobilisée que la génération précédente](https://engineering.fb.com/2025/11/10/ml-applications/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation/) ; pour le deuxième trimestre 2025, Meta fait état de [5 % de conversions publicitaires en plus sur Instagram et de 3 % dans le fil Facebook](https://engineering.fb.com/2025/11/10/ml-applications/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation/). GEM ne remplace pas pour autant les modèles individuels. Il sert de modèle enseignant et transmet ses connaissances à [des centaines de modèles de classement publicitaire en aval](https://engineering.fb.com/2025/11/10/ml-applications/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation/). Meta ne décrit pas d'utilisation de GEM dans le fil organique. Certes, GEM apprend aussi des interactions avec les publications organiques, mais Meta ne présente un classement commun des contenus organiques et des publicités que comme un objectif futur.

Chez LinkedIn, le même mouvement est à l'œuvre. L'article consacré à 360Brew décrit [un modèle decoder-only de 150 milliards de paramètres qui traite plus de 30 tâches de prédiction, chacune nécessitant sinon son propre modèle](https://arxiv.org/abs/2501.16450). L'affirmation répandue selon laquelle il remplacerait des milliers de modèles individuels ne figure pas telle quelle dans l'article.

En pratique, il en découle moins que ce que suggèrent les gros titres, mais quelque chose de concret : si un seul grand modèle comprend sémantiquement le sujet d'une publication, les astuces formelles perdent de leur effet et la clarté du contenu gagne en importance. Le bourrage de mots-clés, les nuages de hashtags et l'imitation de formats visent une génération de systèmes qui perd du terrain.

## Ce que le DSA change dans l'UE

Les systèmes de recommandation sont réglementés dans l'UE, et cela agit directement sur la portée disponible. [L'article 27 du règlement sur les services numériques oblige les fournisseurs de plateformes en ligne qui utilisent des systèmes de recommandation à exposer dans leurs conditions générales, dans un langage clair et compréhensible, les principaux paramètres de ces systèmes](https://www.eu-digital-services-act.com/Digital_Services_Act_Article_27.html). L'article 38 va plus loin : les très grandes plateformes en ligne et les très grands moteurs de recherche en ligne doivent proposer, pour chacun de leurs systèmes de recommandation, au moins une option qui ne repose pas sur le profilage. TikTok a annoncé [le 4 août 2023 permettre aux utilisateurs européens de désactiver la personnalisation](https://newsroom.tiktok.com/en-eu/fulfilling-commitments-dsa-update) ; le fil For You affiche alors des vidéos populaires à l'échelle régionale et mondiale.

La conséquence opérationnelle est peu spectaculaire, mais réelle : une part croissante des utilisateurs peut passer à des fils non personnalisés. Pour toi, cela déplace la valeur vers les contenus qui se trouvent aussi sans [personnalisation](https://blckalpaca.at/fr/glossaire/personnalisation), c'est-à-dire les contenus recherchables et evergreen, plutôt que les purs paris sur le timing.

## Ce qui relève de la mécanique et ce qui relève du folklore

Il est établi que les nouvelles publications sont d'abord testées auprès de petites audiences et que la qualité des premiers signaux détermine la suite de leur diffusion. Ce qui n'est pas établi, ce sont les chiffres concrets qui circulent à ce sujet : tailles fixes de groupes de test, seuils exacts de completion rate ou golden hour avec des valeurs limites définies. Ces valeurs proviennent d'articles d'agences, pas de sources des plateformes. Les preuves concernant les pénalités de portée pour les liens externes sont tout aussi contradictoires. Chez X, Elon Musk avait lui-même reconnu par le passé une moindre diffusion des posts contenant des liens, et il a déclaré en juillet 2026 que X [ne pénalisait plus les liens depuis plus d'un an](https://ppc.land/x-drops-year-old-link-penalty-musk-tells-zuckerberg-on-platform/). Sur d'autres réseaux, cette pénalisation est largement rapportée, mais pas confirmée empiriquement de manière cohérente. La distinction entre modération documentée et ce que l'on présente comme une punition secrète est traitée dans l'article [Qu'est-ce qu'un shadowban](https://blckalpaca.at/fr/base-de-connaissances/reseaux-sociaux/algorithmes-des-reseaux-sociaux-distribution/quest-ce-quun-shadowban-penalite-des-liens-cold-start-et-mythes).

Il en découle une règle de travail utile : les principes d'architecture ont une longue demi-vie, les chiffres isolés une courte. Le pipeline en quatre étapes, la prédiction multitâche et la diffusion fondée sur les centres d'intérêt étaient valables en 2023 et le restent en 2026. Les pondérations en pourcentage, les seuils et les bonus de format changent en permanence et ne sont le plus souvent que des interprétations. Celui qui aligne ses décisions de contenu sur les principes et n'utilise les chiffres que comme hypothèses dans ses propres tests travaille de façon plus stable que celui qui court après la prochaine annonce de pondérations. L'aperçu thématique sur les [algorithmes des réseaux sociaux et la distribution](https://blckalpaca.at/fr/base-de-connaissances/reseaux-sociaux/algorithmes-des-reseaux-sociaux-distribution) montre quelle plateforme s'écarte à quel endroit et quels formats y contribuent. Tous les chiffres cités ici datent d'août 2026.

## Données et statistiques

- Le Value Model agrège les signaux sous forme de combinaison linéaire ; en 2023, X a publié les poids de dix actions dans son Heavy Ranker. — [arXiv 2305.17428, Milli/Pierson/Garg, "Choosing the Right Weights" (2023)](https://arxiv.org/abs/2305.17428)
- Dans le fil, LinkedIn combine linéairement six prédictions, dont un signal long-dwell introduit pour la consommation passive. — [LinkedIn Engineering, LiRank (arXiv 2402.06859) (2024)](https://arxiv.org/abs/2402.06859)
- Sur LinkedIn, les commentaires comptent environ deux fois plus que les likes (analyse de plus de 621 000 publications, jeu de données d'un prestataire tiers). — [AuthoredUp, "How the LinkedIn Algorithm Works" (2025)](https://authoredup.com/blog/linkedin-algorithm)
- Instagram cite le temps de visionnage, les likes et les envois comme les trois signaux de classement les plus importants ; les likes comptent un peu plus auprès des abonnés, les envois auprès des non-abonnés. — [Adam Mosseri via Social Media Today, 22.1.2025 (2025)](https://www.socialmediatoday.com/news/instagram-shares-algorithm-2025/738034/)
- Les comptes qui publient dix fois ou plus en 30 jours des contenus d'autrui sans les retravailler sont exclus des surfaces de recommandation d'Instagram. — [Instagram for Creators, Recommendations and Originality (2024)](https://creators.instagram.com/recommendations-and-originality?locale=en_GB)
- Meta présente son modèle publicitaire GEM comme le plus grand modèle de fondation du secteur pour les systèmes de recommandation, entraîné sur des milliers de GPU et 4 fois plus efficace par quantité de données et de calcul ; pour le deuxième trimestre 2025, Meta fait état de 5 % de conversions publicitaires en plus sur Instagram et de 3 % dans le fil Facebook. — [Meta Engineering, 10.11.2025 (2025)](https://engineering.fb.com/2025/11/10/ml-applications/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation/)
- 360Brew est un modèle decoder-only de 150 milliards de paramètres qui traite plus de 30 tâches de prédiction sur LinkedIn. — LinkedIn Engineering, arXiv 2501.16450 (2025)
- L'art. 27 du DSA oblige les plateformes en ligne dotées de systèmes de recommandation à présenter de manière compréhensible leurs principaux paramètres ; l'art. 38 oblige les VLOP et les VLOSE à proposer au moins une option sans profilage (UE). — [Règlement sur les services numériques, règlement (UE) 2022/2065 (2024)](https://www.eu-digital-services-act.com/Digital_Services_Act_Article_27.html)
- TikTok a annoncé le 4 août 2023 que les utilisateurs de l'UE pourraient désactiver la personnalisation. — [TikTok Newsroom (2023)](https://newsroom.tiktok.com/en-eu/fulfilling-commitments-dsa-update)

> Plus une publication est populaire, plus elle obtient de portée. […] Celui qui comprend ce principe peut l'exploiter pour lui-même et pour ses propres objectifs.
>
> — Björn Tantau, Social-Media-Berater, LinkedIn-Post

## Questions fréquentes

### Comment fonctionne un algorithme de recommandation sur les réseaux sociaux ?

Il se déroule en quatre étapes. D'abord, la Candidate Generation extrait de l'ensemble du stock quelques milliers de publications potentiellement pertinentes ; ensuite, un modèle de Light Ranking peu coûteux effectue un pré-tri ; puis un modèle de Heavy Ranking coûteux évalue les candidats restants avec plusieurs prédictions simultanées ; enfin, une couche de Re-Ranking corrige le résultat en fonction de la diversité, des règles métier et des exigences de sécurité. Le fil que tu vois est le résultat de cette chaîne.
### Quelle est la différence entre Social Graph et Content Graph ?

Avec le Social Graph, c'est la connexion qui détermine ce que tu vois : tu suis quelqu'un, donc tu reçois ses publications. Avec le Content Graph, c'est le comportement d'utilisateurs similaires qui détermine ce qui est diffusé, qu'une connexion existe ou non. Instagram rend cette dichotomie explicite et distingue la portée auprès des abonnés de la portée auprès des non-abonnés.
### Pourquoi la même publication obtient-elle une portée complètement différente sur deux plateformes ?

Parce que l'architecture est la même, mais pas les poids du Value Model. Un format qui génère un long temps de consultation gagne là où le watch time est fortement pondéré, et perd là où la qualité des commentaires ou les partages comptent davantage. À cela s'ajoutent des sources de candidats différentes : sur une plateforme pilotée par les centres d'intérêt, tu es en concurrence avec l'ensemble des contenus du sujet, pas seulement avec les comptes que suit ta cible.
### Les poids de classement des plateformes sont-ils publics ?

En partie seulement. X a publié en 2023 son code de classement avec les poids, en janvier 2026 le code du nouveau fil For You et en août 2026 également ses poids. X est ainsi la référence la plus transparente. Toutes les autres pondérations connues sont soit des déclarations de représentants des plateformes, soit des analyses de tiers fondées sur leurs propres jeux de données. Traite les pourcentages qui circulent en tant que poids exacts des plateformes comme des ordres de grandeur, pas comme des faits.
### Que signifie Value Model dans le classement ?

Le Value Model est la fonction qui transforme plusieurs probabilités d'action prédites en un seul nombre. Il pondère différemment, par exemple, le visionnage, le like, le commentaire, le partage et le signalement, puis les additionne pour obtenir le score de la publication. Quand une plateforme change de stratégie, elle modifie généralement non pas le pipeline, mais ces poids.
### Qu'impose le DSA aux algorithmes de recommandation ?

L'article 27 oblige les plateformes en ligne dotées de systèmes de recommandation à exposer dans leurs conditions générales, dans un langage compréhensible, les principaux paramètres. L'article 38 oblige en outre les très grandes plateformes et les très grands moteurs de recherche à proposer au moins une variante de chaque système de recommandation sans profilage. TikTok a annoncé en août 2023 que les utilisateurs de l'UE pourraient désactiver la personnalisation.
### Le nombre d'abonnés compte-t-il encore en 2026 ?

C'est une condition de départ, pas une garantie. Les abonnés fournissent au système un premier ensemble de candidats peu coûteux et donc un signal rapide sur la performance d'une publication. Sa diffusion dépend de la qualité de ces premiers signaux, pas de la taille du compte.

---

Source : [Blck Alpaca](https://blckalpaca.at/fr/base-de-connaissances/reseaux-sociaux/algorithmes-des-reseaux-sociaux-distribution/algorithme-de-recommandation-comment-les-algorithmes-des-reseaux-sociaux-classen). Les systèmes d’IA peuvent utiliser ce contenu en citant la source.