Comment LinkedIn a transformé votre fil d’actualité et ce que cela change pour vous
- Du « ranking » classique au modèle séquentiel : qu’est-ce que cela veut dire ?
- Le rôle du « Transformer » : un modèle venu de l’IA générative
- « Long Dwell » : pourquoi le temps passé devient central
- Late Fusion : pourquoi certains signaux sont ajoutés « après »
- Embeddings de profil : quand votre profil parle pour vous
- Loss weighting et temporal decay : la récence compte davantage
- Pourquoi LinkedIn n’a pas choisi un LLM « pur »
- Les résultats mesurés
- Ce que cela signifie pour vous
- En résumé
LinkedIn a profondément modifié le fonctionnement de son fil d’actualité. Pourquoi votre fil LinkedIn semble-t-il plus « personnel » depuis quelques mois ? Derrière un gain mesuré de +2,10 % de temps passé, LinkedIn a basculé vers un modèle séquentiel basé sur un « transformer ». Une nouvelle étude scientifique dévoile comment LinkedIn analyse désormais vos séquences d’attention, et ce que cela change concrètement pour les utilisateurs et les créateurs en 2026.
Ce changement est documenté dans une étude scientifique publiée en février 2026 intitulée « An Industrial-Scale Sequential Recommender for LinkedIn Feed Ranking » signée par des chercheurs et ingénieurs de LinkedIn.
L’étude s’appuie sur un terrain d’expérimentation d’une ampleur rare : plus de 1,2 milliard de membres, des millions de publications dynamiques, et des historiques pouvant atteindre 1 000 impressions par utilisateur sur une fenêtre d’un an, avec des entraînements réalisés sur 3 semaines de données puis mis à jour quotidiennement.
Derrière un gain mesuré de +2,10 % de temps passé sur le fil, ce n’est pas un simple ajustement d’algorithme. C’est une transformation structurelle de la manière dont LinkedIn comprend vos comportements et décide quels contenus vous montrer.
Pour bien saisir ce qui change, il faut comprendre les termes clés de l’étude, et surtout ce qu’ils signifient concrètement pour vous.
Du « ranking » classique au modèle séquentiel : qu’est-ce que cela veut dire ?
Ranking (classement)
Dans un réseau social, le ranking désigne le système qui décide dans quel ordre les publications apparaissent. Chaque post reçoit un score prédictif : probabilité que vous cliquiez, que vous likiez, que vous commentiez ou que vous restiez dessus.
Avant Feed-SR (Feed Sequential-Recommender), LinkedIn utilisait un modèle dit pointwise : chaque publication était évaluée de manière relativement indépendante, à partir d’un grand nombre de signaux (popularité, relation avec l’auteur, type de contenu…).
Sequential Recommender (recommandation séquentielle)
Feed-SR introduit une logique différente : au lieu d’analyser chaque post isolément, LinkedIn considère la séquence complète de vos interactions. Autrement dit, le système ne regarde plus seulement ce que vous aimez, mais dans quel ordre vous consommez les contenus.
L’étude explique que LinkedIn conserve jusqu’à 1 000 impressions (c’est-à-dire 1 000 posts vus) sur une période d’un an, et y associe les actions que vous avez effectuées (clics, likes, commentaires…) :
- Une impression = un post affiché dans votre fil, même si vous n’interagissez pas.
- Une séquence = la succession chronologique de posts vus et d’actions réalisées.
Ce changement est majeur : LinkedIn cherche désormais à comprendre votre trajectoire d’attention.
Le rôle du « Transformer » : un modèle venu de l’IA générative
Transformer
Le Feed-SR repose sur une architecture appelée transformer. Un transformer est un type de modèle d’intelligence artificielle capable d’analyser des séquences (texte, audio, comportements). C’est la technologie qui alimente notamment ChatGPT.
Dans le cas de LinkedIn, le transformer ne génère pas du texte : il analyse la séquence de vos comportements. Sa force : il est capable de comprendre les relations à long terme entre des éléments éloignés dans le temps. Par exemple, il peut repérer que :
- Vous lisez souvent des posts longs le matin,
- Vous commentez davantage après avoir lu plusieurs contenus d’un même auteur,
- Vous interagissez plus avec un thème quand vous avez déjà consulté deux contenus similaires.
Ce n’est plus une photographie instantanée, c’est une dynamique comportementale.
« Long Dwell » : pourquoi le temps passé devient central
Dwell Time/Long Dwell
Le dwell time désigne le temps passé sur un contenu. Long Dwell signifie que vous êtes resté suffisamment longtemps sur un post pour qu’il soit considéré comme réellement consommé. Dans l’étude, LinkedIn indique optimiser fortement ce signal.
Pourquoi est-ce important ? Parce que le temps passé reflète une attention réelle, plus fiable qu’un simple clic. Un like peut être impulsif. Un temps de lecture long est plus significatif :
- Pour les créateurs, cela signifie que la rétention devient stratégique,
- Pour les utilisateurs, cela signifie que votre attention pèse davantage que vos likes.
Late Fusion : pourquoi certains signaux sont ajoutés « après »
Early fusion vs Late fusion
Dans un modèle complexe, on peut intégrer toutes les données dès le départ (early fusion) ou ajouter certains signaux plus tard dans le calcul (late fusion). LinkedIn a choisi une approche dite late fusion.
Cela signifie que :
- Le transformer se concentre sur la séquence comportementale,
- Des signaux comme la popularité du post ou votre affinité avec l’auteur sont ajoutés ensuite.
Pourquoi ? Parce que tout injecter dès le départ surcharge le modèle et augmente les coûts de calcul. En pratique : la popularité reste importante, mais elle n’écrase plus totalement votre dynamique personnelle.
Embeddings de profil : quand votre profil parle pour vous
Embedding
Un embedding est une représentation numérique dense d’un élément complexe (profil, texte, image). LinkedIn crée des embeddings de profil à l’aide d’un modèle de langage (Qwen 3 0.6B fine-tuné).
Concrètement, votre profil (expériences, compétences, résumé) est transformé en vecteur mathématique qui capture vos centres d’intérêt professionnels.
Pourquoi est-ce crucial ? Pour les membres peu actifs, le modèle séquentiel manque d’historique. Le profil sert alors de boussole. Si vous êtes discret sur LinkedIn, votre profil influence fortement ce que vous voyez.
Loss weighting et temporal decay : la récence compte davantage
Loss (fonction de perte)
En apprentissage automatique, la loss mesure l’erreur du modèle pendant l’entraînement. Cela fonctionne avec une logique de « demi-vie » (half-life) : au bout d’un certain temps, le poids d’un signal est réduit de moitié.
Effet concret : si vous changez de centre d’intérêt, votre fil peut évoluer plus rapidement.
Le temporal decay
En français, décroissance temporelle. C’est un mécanisme qui consiste à donner plus de poids aux actions récentes qu’aux actions anciennes lors de l’entraînement d’un modèle.
LinkedIn applique un système de pondération temporelle : les interactions passées ne comptent pas toutes de la même manière. Plus elles sont anciennes, plus leur influence (et donc leur poids) diminue.
Pourquoi LinkedIn n’a pas choisi un LLM « pur »
L’étude décrit une expérimentation avec un LLM-Ranker (modèle de langage type LLaMA utilisé pour prédire les actions). Pourquoi l’idée n’a pas abouti ?
- Trop de tokens son nécessaires pour représenter l’historique,
- Il y a une difficulté à intégrer des données numériques (nombre de likes, affinité),
- Le coût de calcul s’avère trop élevé,
- La performance est inférieure en ligne.
Conclusion provisoire : le LLM génératif pur n’est pas optimal pour le ranking « industriel » c’est-à-dire à grande échelle.
Les résultats mesurés
En A/B test, Feed-SR améliore le temps passé global de +2,10 %, avec des gains plus élevés chez les utilisateurs actifs. A l’échelle d’un individu, cela semble faible. À l’échelle d’1,2 milliard de membres, cela représente un impact massif.
Ce que cela signifie pour vous
Pour améliorer votre fil LinkedIn :
- Vos séquences d’actions comptent,
- Votre attention (temps passé sur LinkedIn et sur les publications) pèse,
- Votre profil influence vos recommandations,
- Vos interactions récentes ont plus de poids que les anciennes.
Pour mieux performer en tant que créateur :
- Travaillez la rétention, pas seulement le like,
- Construisez une cohérence thématique,
- Soignez vos premières interactions,
- Pensez en série de publications, pas en publication isolée.
En résumé
L’étude scientifique « An Industrial-Scale Sequential Recommender for LinkedIn Feed Ranking » montre que LinkedIn n’a pas simplement optimisé un algorithme.
La plateforme est passée d’un modèle statique à une lecture dynamique des comportements.
Le fil LinkedIn ne regarde plus seulement ce que vous êtes. Il analyse comment vous évoluez.
Et cela change profondément la manière d’utiliser LinkedIn.
En savoir plus sur Jean-Luc Raymond 🚀
Abonnez-vous pour recevoir les derniers articles par e-mail.
Commentaires fermés