Meta zkoumá novou vrstvu cílení: Hierarchical Interest Representation
Miloš Zlesa
Meta 15. července 2026 publikovala na svém inženýrském blogu článek o výzkumné oblasti nazvané Hierarchical Interest Representation (HIR). Na LinkedIn už kolují posty, které to prezentují jako hotovou revoluci v doručování reklam. Realita je střízlivější, ale pro nás inzerenty o to zajímavější: Meta poprvé podrobně ukázala, jak chce řešit největší slabinu výkonnostních kampaní, tedy nedostatek konverzních dat.
Jaký problém HIR řeší
Meta každý měsíc zobrazí miliony reklam od milionů inzerentů miliardám lidí. Scrollů a kliknutí je nekonečně, ale skutečných nákupů, tedy signálů z hloubky funnelu, na kterých se má algoritmus učit, je v poměru k tomu zoufale málo. Spojení mezi konkrétním uživatelem a konkrétní reklamou je slabé a pomíjivé. U menších českých účtů s pár desítkami konverzí měsíčně to známe všichni: systém prostě nemá z čeho se učit.
HIR na to jde jinak. Místo učení na úrovni jednotlivých reklam se systém učí na úrovni zájmů. Spojení mezi uživatelem a zájmem je totiž stabilní a dlouhodobé, i když spojení mezi uživatelem a jednou konkrétní reklamou je slabé.
Jak to technicky funguje
Základem je obrovský graf, který propojuje uživatele, reklamy, inzerenty, kampaně, produkty a pixely. Hrany grafu tvoří interakce, každá nese typ akce a časové razítko, takže systém váží čerstvý záměr proti dlouhodobému zájmu. Tento surový graf pak HIR zhušťuje do takzvaného super-grafu, kde jednotlivé uzly představují naučené zájmové primitivy. Řídká spojení na úrovni jednotlivých reklam se na úrovni zájmů stávají hustými a stabilními.
Dvě věci jsou pro praxi zásadní:
1. World knowledge: Meta čte, co váš produkt skutečně je
Systém stahuje multimodální obsah, tedy texty, obrázky a videa z metadat stránek a atributů produktového katalogu, a zpracovává ho přes vlastní LLM engine. Nezná tedy jen to, jak lidé s reklamou interagují, ale rozumí tomu, co inzerovaná věc reálně je. Díky tomu dokáže zařadit i úplně nový produkt, se kterým ještě nikdo neinteragoval. To je přímá odpověď na cold start problém, který dnes trápí každý launch nového produktu nebo nabídky.
2. Bag-of-Meaning tokeny
Spojité embeddingy jsou skvělé pro ranking, ale špatně se s nimi pracuje při vyhledávání a interpretaci. Meta je proto diskretizuje do kompaktní slovní zásoby zájmových konceptů. Každý uživatel je popsán sadou tokenů svých zájmů, každá reklama sadou tokenů zájmů, které obsluhuje. Párování reklamy s člověkem se pak v principu redukuje na průnik dvou množin.
Celá architektura stojí na transformeru aplikovaném na graf, s attention mechanismem, který zohledňuje strukturu grafu. Trénink probíhá na reálných datech Meta Ads v řádu miliard interakcí, se striktním respektováním časové posloupnosti, aby model nepodváděl informacemi z budoucnosti. Výstupy mají v budoucnu napájet existující systémy: GEM, Andromedu i Adaptive Ranking Model.
Co z toho plyne pro inzerenty
Tady přecházím od faktů z Meta článku k vlastní interpretaci, berte to tak.
| Oblast | Starý přístup | Kam míří HIR |
|---|---|---|
| Kreativa a katalog | Hygiena, kosmetika kampaně | Vstup do cílení |
| Testování | Deset variací jednoho vítěze | Odlišné koncepty |
| Drahé produkty, dlouhé cykly | Málo dat, slabá optimalizace | Vzory od podobných značek |
| Zájmové cílení | Ruční výběr z detailního menu | Automatické, neviditelné |
Kreativa a katalog jsou targeting. Tohle není novinka, HIR to jen posouvá dál. Pokud systém čte váš obsah, aby pochopil, co prodáváte a komu, pak nejasná kreativa a odbytý katalog znamenají špatnou klasifikaci. A špatná klasifikace znamená doručování mimo relevantní zájmy. Čisté produktové feedy, srozumitelné popisy a kreativa, ze které je jasné, o co jde a pro koho, přestávají být hygienou a stávají se vstupem do cílení.
Odlišné koncepty místo variací. Deset verzí jednoho vítězného vizuálu bude systém pravděpodobně číst jako jednu sadu zájmových tokenů. Deset skutečně odlišných konceptů, tedy jiná persona, jiný úhel, jiný benefit, si nárokuje odlišné tokeny a tím i odlišné zdroje poptávky. Háček je v tom, že vymyslet deset opravdu různých konceptů je řádově těžší než naklonovat vítěze. Přesně tady se rozhodne, kdo z téhle změny vytěží.
Největší přínos u drahých produktů a dlouhých nákupních cyklů. Kde je konverzí málo, tam si model půjčuje vzory od podobných značek a kupujících na zájmové mapě. B2B, finance, reality, drahá elektronika, přesně segmenty, kde dnes Advantage+ často tápe.
Zájmové cílení se vrací, jen neviditelně. Detailní cílení Meta roky osekává a tlačí nás do broad. HIR naznačuje proč: zájmové kategorie si systém staví sám z reálného chování, jemněji než staré zájmové menu, a používá je automaticky uvnitř širokého cílení. Ruční výběr zájmů nahrazuje to, co o zájmech říká vaše kreativa a katalog.
Co si z toho vzít už dnes
HIR je výzkum, ne feature. Ale doporučení, která z něj plynou, dávají smysl bez ohledu na to, kdy a v jaké podobě se do produkce dostane, protože stejným směrem tlačí i vše ostatní, co Meta poslední dva roky nasazuje.
- Proveďte audit katalogu - srozumitelné názvy, popisy a atributy produktů nejsou kosmetika, ale vstup, ze kterého si systém odvozuje, co a komu nabízíte.
- Vyčistěte kreativu do jasného sdělení - z každé reklamy má být zřejmé, o co jde a pro jakou personu. Nejednoznačnost znamená špatnou klasifikaci.
- Testujte koncepty, ne variace - místo deseti klonů vítěze zkuste deset odlišných úhlů. Odlišné koncepty si nárokují odlišné zdroje poptávky.
- U drahých produktů a dlouhých cyklů vsaďte na broad - právě tam má přístup přes zájmovou mapu největší potenciál překonat nedostatek vlastních dat.
- Ověřujte zdroje, ne LinkedIn převyprávění - u témat, která ovlivňují rozpočty klientů, si najděte primární zdroj a přečtěte ho.
Závěr: Až uvidíte na sociálních sítích posty typu „Meta právě spustila novou vrstvu cílení", vzpomeňte si na rozdíl mezi „publikovala výzkum" a „nasadila produkt". Zdroj je veřejný, článek na Engineering at Meta, a přečíst si ho zabere deset minut. U témat, která přímo ovlivňují, jak utrácíte rozpočty klientů, se to vyplatí.