daliah
apprendre · comment les fils décident

Comment fonctionnent les algorithmes des réseaux sociaux : les cinq étapes que les plateformes ont publiées

J’ai lu ce que TikTok, Instagram, YouTube, X, Facebook et LinkedIn ont mis par écrit sur la façon dont leur fil choisit les publications. Voici ce que ça donne, étape par étape. Pour chaque affirmation, j’indique à quel point j’en suis sûre.

par daliah·recherche de Jean-Paul Azzi·mis à jour le 21 sept. 2026·10 min de lecture

Comment lire mes étiquettes : confirméla source le dit · déduitma déduction à partir de ce qui est confirmé · spéculéune supposition, et je le dis

la version courte

Chaque plateforme a publié une pièce différente de la machine

Aucune plateforme ne publie son fil au complet. Chacune en a dévoilé des morceaux : articles de recherche, billets d’ingénierie, pages d’aide et, pour X, du code. Je les ai lus ligne par ligne.

D’abord, le système lit ta publication et la transforme en données

Là où les plateformes décrivent cette étape, chaque publication devient des données que le système peut comparer : des étiquettes, comme un sujet ou une catégorie de sécurité, et une longue liste de nombres qui la place près des publications semblables. confirmé · 10, 14, 15

Les pages de TikTok ne disent pas comment TikTok analyse le contenu d’une vidéo. Aucune plateforme ne dit combien pèse cette première lecture une fois que les gens réagissent.

Ensuite, des millions de publications sont réduites à une présélection

Noter chaque publication pour chaque personne serait trop lent, alors une première étape rapide dresse une présélection. confirmé · 1, 15

La principale méthode de présélection, c’est la similarité : tu deviens une liste de nombres, chaque publication aussi, et le système va chercher celles qui sont les plus proches de toi. confirmé · 1, 8, 14, 15 LinkedIn filtre déjà ici : rien de rejeté par ses contrôles de sécurité, rien venant de gens que tu as bloqués, rien dans une langue que tu ne lis pas, rien de déjà vu. confirmé · 15

Le classement prédit ce que tu vas faire, puis pèse chaque action

C’est ce que la plupart des gens appellent « l’algorithme ». Un modèle plus lourd estime la probabilité que tu fasses chacune de plusieurs actions sur chaque publication, et ces estimations sont combinées en un seul score. confirmé · 4, 7, 8, 9, 14, 16

Pourquoi les poids comptent : une publication, tu l’aimerais sans doute, puis tu passerais à autre chose. Une autre, tu as moins de chances de l’aimer, mais tu l’enverrais probablement à un ami. Si le partage pèse plus, c’est la deuxième qui peut gagner. déduit

Facebook additionne ses prédictions « de façon linéaire », en comptant chacune selon ce que les gens jugent significatif dans des sondages. confirmé · 9 Explorer utilise un « modèle de valeur » qui soustrait la probabilité que tu touches « voir moins ». confirmé · 8 Instagram dit qu’ajuster les poids lui permet d’explorer des compromis entre différentes mesures d’engagement. confirmé · 8 LinkedIn combine ses prédictions de façon linéaire. confirmé · 16 Le code de X garde ses poids comme des réglages ajustables, « pour permettre l’expérimentation ». confirmé · 14

Donc le modèle apprend les probabilités et l’entreprise fixe ce que vaut chaque action : c’est confirmé pour X et pour Explorer d’Instagram. confirmé · 8, 14 Pour TikTok, YouTube et LinkedIn, c’est probable, puisque chacun décrit une combinaison de signaux, mais pas confirmé. déduit

Seul X publie ses chiffres. Dans ses réglages par défaut de 2026, un j’aime prédit vaut 0,5, une réponse 5 et un lien copié 20. confirmé · 14 Côté négatif : « pas intéressé(e) » vaut −43,2, bloquer −31,2, masquer −58,8 et signaler −234. confirmé · 14 Ces poids multiplient des probabilités prédites, pas des décomptes, donc un signalement n’annule pas littéralement 468 j’aime. confirmé · 14 Mais à probabilités égales, une réaction négative coûte bien plus qu’un j’aime ne rapporte. confirmé · 14

Instagram, TikTok et YouTube utilisent des retours négatifs comme « Pas intéressé(e) », les signalements ou les « Je n’aime pas », mais ne publient aucun poids pour ces retours. confirmé · 2, 3, 7

Enfin, des règles remanient la liste pour la variété, la fraîcheur et la sécurité

Aucune plateforme ici ne publie de taux de décroissance dans le temps, ni de part fixe de publications recommandées.

Ce que les gens font ensuite devient des données d’entraînement, parfois en quelques minutes

Les pages de TikTok ne disent pas à quelle vitesse ses modèles se mettent à jour. Appliquer à TikTok le cycle de quelques minutes de Monolith, c’est une inférence de ma part. déduit

Ce que j’en retiens pour tes publications

Ce sont mes déductions, pas des consignes des plateformes.

Ce que personne ne sait de l’extérieur, et quatre croyances que j’ai vérifiées

Je regarde des vidéos toute la journée et je ne vois toujours pas les poids de TikTok. Personne de l’extérieur ne les voit. Chaque source ici est un instantané daté de systèmes qui changent sans cesse. confirmé · 1, 5, 7 Seul X publie ses poids, et il peut les changer. confirmé · 14 TikTok décrit des étapes, pas des modèles. confirmé · 4 L’article détaillé de YouTube date de 2016. confirmé · 1 Instagram et Facebook ne donnent aucun poids. confirmé · 7, 9 Le modèle de classement le plus ambitieux de LinkedIn est en préproduction. confirmé · 17

Les questions qu'on se pose

Comment fonctionnent les algorithmes des réseaux sociaux ?
Les plateformes qui ont publié leur conception décrivent les mêmes étapes : lire chaque publication, présélectionner des centaines ou des milliers de candidats parmi des millions, les noter selon les actions que le modèle prédit que tu feras, appliquer des règles de variété et de sécurité, puis apprendre de ce que tu as fait. confirmé · 1, 4, 9, 14, 15 Ce qui change, c’est quelles actions comptent le plus et à quelle vitesse chaque système apprend. confirmé · 1, 6, 7, 14
Les j’aime (likes) comptent-ils pour l’algorithme ?
Ils comptent, mais comme une action prédite parmi beaucoup d’autres. confirmé · 4, 7, 14 Dans les réglages par défaut de X, un j’aime prédit vaut 0,5, contre 5 pour une réponse et 20 pour le partage d’un lien. confirmé · 14 Instagram cite les j’aime parmi ses principales prédictions pour le fil, Explorer et les Reels. confirmé · 7 TikTok dit que le temps de visionnage pèse généralement le plus pour beaucoup d’utilisateurs. confirmé · 5
Le nombre d’abonnés influence-t-il la portée ?
Ça dépend de la plateforme. TikTok affirmait en 2020 que le nombre d’abonnés n’était pas un facteur direct dans le fil Pour toi, même si les comptes qui ont plus d’abonnés ont des chances d’obtenir plus de vues. confirmé · 3 Instagram cite le nombre d’abonnés du compte qui publie comme un signal pour les Reels. confirmé · 7 Dans ses réglages par défaut de 2026, X multiplie par 0,75 le score des publications de comptes que tu ne suis pas. confirmé · 14
Les plateformes testent-elles d’abord les nouvelles publications sur un petit public ?
Instagram dit que oui, et ce n’est pas au hasard : pour ses recommandations, chaque publication admissible va d’abord à un petit public qui, selon lui, devrait l’aimer, puis les plus performantes passent à des groupes plus larges. confirmé · 18 TikTok et X classent le fil de chaque personne selon ses réactions prédites, comme le faisait l’article de YouTube de 2016. confirmé · 1, 4, 14 Les premiers spectateurs d’une nouvelle publication sont donc surtout ceux à qui elle est censée plaire. déduit Aucune plateforme ne publie la taille de ce premier public ni de « golden hour » ; les réactions deviennent bien des données d’entraînement, parfois en quelques minutes. confirmé · 1, 6, 10
L’algorithme est-il le même sur toutes les plateformes ?
Les étapes se répètent, mais ce que chaque système récompense diffère. confirmé · 1, 7, 14, 15 En 2016, le modèle de classement de YouTube visait le temps de visionnage. confirmé · 1 Les Reels d’Instagram misent sur les repartages et les visionnages complets. confirmé · 7 Les réglages par défaut de X donnent 20 à un lien copié et 0,5 à un j’aime, et le modèle de présélection de LinkedIn ne lit que du texte. confirmé · 14, 15
Le shadowban existe-t-il vraiment ?
Une portée réduite sans suppression est documentée : Instagram écarte certaines publications des recommandations en vertu de ses règles de recommandation, YouTube rétrograde les vidéos limites, et les filtres de visibilité de X incluent la rétrogradation. confirmé · 2, 7, 12 Instagram dit qu’il ne bride pas les publications pour vendre de la publicité, et il montre dans le Statut du compte si tu es admissible aux recommandations. confirmé · 7

Sources

  1. Covington, P., Adams, J., Sargin, E. (2016). Deep Neural Networks for YouTube Recommendations. Proceedings of the 10th ACM Conference on Recommender Systems (RecSys ’16). Google. doi.org · article scientifique · productionLes modèles de présélection (génération de candidats) et de classement derrière les recommandations de YouTube en 2016 ; l’article a dix ans, donc les détails sont historiques.
  2. Goodrow, C. (2021, September 15). On YouTube’s recommendation system. YouTube Official Blog. YouTube. blog.youtube · page officielle · déclaration officielleLes signaux qu’utilise YouTube (clics, temps de visionnage, sondages, partages, « J’aime », « Je n’aime pas ») et la rétrogradation des vidéos limites ; aucun détail de modèle ni aucun poids.
  3. TikTok (2020, June 18). How TikTok recommends videos #ForYou. TikTok Newsroom. newsroom.tiktok.com · page officielle · déclaration officielleLes signaux, le principe de pondération, la déclaration sur le nombre d’abonnés et les règles de variété et d’admissibilité en 2020 ; aucun détail de modèle.
  4. TikTok (undated; read September 2026). Introduction to the TikTok recommendation system. TikTok Transparency Center. tiktok.com · page officielle · déclaration officielleCinq étapes : sélection des vidéos, prédiction des actions, classement par un score combiné, vérification de similarité et règles ; aucun poids ni détail de modèle.
  5. TikTok (undated; read September 2026). How TikTok recommends content. TikTok Support. support.tiktok.com · page officielle · déclaration officielleListe actuelle des facteurs par fil ; dit que le temps de visionnage pèse généralement le plus pour beaucoup d’utilisateurs et que la pondération change avec le temps.
  6. Liu, Z., Zou, L., Zou, X., Wang, C., Zhang, B., Tang, D., Zhu, B., Zhu, Y., Wu, P., Wang, K., Cheng, Y. (2022). Monolith: Real Time Recommendation System With Collisionless Embedding Table. ORSUM workshop at ACM RecSys 2022; arXiv:2209.07663. ByteDance. arxiv.org · article scientifique · productionLe système d’entraînement en temps réel de ByteDance, qui selon l’article a été déployé dans BytePlus Recommend ; l’article ne nomme pas TikTok et ne décrit pas le modèle du fil Pour toi.
  7. Mosseri, A. (2023, May 31). Instagram Ranking Explained. Instagram Blog. Instagram (Meta). about.instagram.com · page officielle · déclaration officielleSignaux, actions prédites et règles pour le fil, les Stories, Explorer et les Reels ; nomme les actions mais ne donne aucun poids.
  8. Vorotilov, V., Shugaepov, I. (2023, August 9). Scaling the Instagram Explore recommendations system. Engineering at Meta. Meta. engineering.fb.com · page officielle · productionLes quatre étapes d’Explorer et son modèle de valeur pondéré, dont une prédiction « voir moins » soustraite ; aucune valeur de poids ; Explorer seulement.
  9. Lada, A., Wang, M., Yan, T. (2021, January 26). How machine learning powers Facebook’s News Feed ranking algorithm. Engineering at Meta. Facebook (Meta). engineering.fb.com · page officielle · productionLes passes de classement du fil d’actualité et la combinaison linéaire des prédictions, pondérées selon ce que les gens disent dans des sondages ; 2021, aucune valeur de poids.
  10. Meta AI (2023, June 29). The AI behind unconnected content recommendations on Facebook and Instagram. Meta AI Blog. Meta. ai.meta.com · page officielle · productionCompréhension du contenu, entonnoir de présélection et mises à jour des modèles en quelques minutes pour les publications recommandées ; vue d’ensemble, aucun chiffre sur les poids.
  11. Naumov, M., Mudigere, D., Shi, H.-J. M., Huang, J., Sundaraman, N., Park, J., et al. (2019). Deep Learning Recommendation Model for Personalization and Recommendation Systems. arXiv:1906.00091. Facebook AI. arxiv.org · article scientifique · rechercheUne conception de modèle publiée avec son code open source, testée sur des données publiques de clics publicitaires ; ne décrit aucun fil Facebook ou Instagram en production.
  12. Twitter (2023). the-algorithm: X’s Recommendation Algorithm (repository README). GitHub. github.com · code ouvert · productionLes services derrière le fil Pour vous de 2023, dont les sources de candidats, les modèles de classement et les filtres de visibilité ; un instantané de 2023.
  13. Twitter Engineering (2023). Twitter’s Recommendation Algorithm. X Engineering Blog. blog.x.com · page officielle · productionLa chaîne de 2023 : environ 1500 candidats, la répartition entre comptes suivis et non suivis, un modèle de classement entraîné en continu et le mélange final.
  14. X / xAI (2026). x-algorithm: the For You feed algorithm (README and home-mixer/params/param.rs; production default values identical in the 12 August and 18 September 2026 syncs). GitHub. github.com · code ouvert · productionLa chaîne actuelle du fil Pour vous et les poids par défaut des actions ; les poids sont des réglages ajustables qui peuvent changer, et certaines règles ne sont pas publiées.
  15. Ramanujam, S. S., Alonso, A., Kataria, S., Dangi, S., Gupta, A., Tiwana, B. S., et al. (2025). Large Scale Retrieval for the LinkedIn Feed using Causal Language Models. arXiv:2510.14223. LinkedIn. arxiv.org · article scientifique · productionComment le fil de LinkedIn présélectionne des publications suggérées hors de ton réseau, testé en conditions réelles (test A/B) ; couvre la présélection, pas le classement.
  16. Borisyuk, F., Zhou, M., Song, Q., Zhu, S., Tiwana, B., et al. (2024). LiRank: Industrial Large Scale Ranking Models at LinkedIn. arXiv:2402.06859. LinkedIn. arxiv.org · article scientifique · productionLes modèles de classement de LinkedIn en production, dont un modèle de fil qui prédit plusieurs actions et les combine de façon linéaire ; aucune valeur de poids.
  17. Firooz, H., Sanjabi, M., et al., 360Brew Team (2025). 360Brew: A Decoder-only Foundation Model for Personalized Ranking and Recommendation. arXiv:2501.16450. LinkedIn. arxiv.org · article scientifique · rechercheUn modèle de classement de 150 milliards de paramètres qui lit les profils et l’activité comme du texte ; ses auteurs le disent en préproduction.
  18. Instagram for Creators (2024). Helping Creators Find New Audiences. Instagram, 30 Apr 2024. creators.instagram.com · page officielle · déclaration officielleClassement du contenu admissible d'abord auprès d'un petit public, règles sur l'originalité et les comptes agrégateurs ; annoncé avec un déploiement au cours des mois suivants.

Ceci est la version en langage clair. La recherche complète — chaque étape formalisée — est celle de Jean-Paul Azzi, et elle deviendra un livre. Chaque affirmation ici renvoie à l'article, à la page ou au code de la plateforme elle-même ; rien ne vient de blogues marketing.

Tu veux que je lise ton compte comme ça ?
donne-moi ton @ — je regarde tes vidéos avec tout ça en tête. pas d'inscription, pas de carte.
Continuer avec Google
inscris-toi avec ton courriel · déjà avec moi ? connecte-toi →
En continuant, tu acceptes les conditions d'utilisation et la politique de confidentialité.
Contente de te revoir.
ta session est déjà ouverte sur ce navigateur — ton bureau t'attend là où tu l'as laissé.
ouvre daliah →

Tu veux la même honnêteté sur tes propres vidéos ? C'est l'audit gratuit.

à lire aussi

Les autres fils, d'après leurs propres publications.

12 mythes sur l’algorithme, vérifiés d’après ce que les plateformes ont vraiment publié
Tout le monde a sa théorie sur le fil. J’ai pris douze des plus répandues et je les ai vérifiées une à une dans les articles, les pages et le code des plateformes elles-mêmes.
lire →
Comment fonctionne l’algorithme TikTok : ce que TikTok et ByteDance ont vraiment publié
J’ai lu les explications de TikTok et l’article Monolith de ByteDance ligne par ligne. Voici ce qu’ils disent du fil Pour toi, étape par étape — et ce qu’ils ne disent pas.
lire →
Comment fonctionne l'algorithme Instagram : une appli, plusieurs classements
J'ai lu, ligne par ligne, les explications d'Instagram et les articles des ingénieurs de Meta. Voici comment, selon eux, les Reels, le fil, Explorer et les Stories sont classés, ce que ça change pour ce que tu publies, et où s'arrête ce qui est public.
lire →
Comment fonctionne l'algorithme YouTube : j'ai lu l'article de 2016 et ce que YouTube a dit depuis
L'article de Google de 2016 décrit le système de recommandation en deux étapes de YouTube, et les pages de YouTube, Shorts compris, ont comblé quelques trous depuis. Je les ai lus ligne par ligne : voici ce qui est confirmé, ce qui est déduit, et ce que personne hors de YouTube ne sait.
lire →
Comment fonctionne l'algorithme de X (Twitter), d'après son propre code
X a publié deux fois le code de son fil Pour vous : en 2023, puis dans sa forme actuelle en 2026. Je l'ai lu : voici comment les posts sont classés, et ce que le code ne peut pas te dire.
lire →