Meta运用机器学习技术，进一步改进Instagram每日通知的用户体验。借由因果推断和机器学习，来识别本来就会自动浏览Instagram内容的高度活跃用户，通过减少向这些用户发送通知的数量，改善整体用户体验。
Instagram通知是和用户沟通的渠道，Meta过去就已经运用统计与机器学习技术，来个性化通知消息，Instagram的每日摘要推送通知，会列出可供用户查看的故事摘要，这类通知发送到用户设备时，用户便可能点击通知查看这些内容。
在过去上，Meta使用点击率（CTR）模型的机器学习模型，来预测用户点击通知的可能性。CTR模型已经被大量用于社交媒体产业，预测点击几率可看作是通知品质，当模型预测点击几率太低，该通知就会在发送流程中被丢弃，用户也不会真正收到通知，因为模型认为该通知属于低品质资讯。
事实上点击率模型在每日摘要通知上非常有用，使用点击率模型的实际平均点击，明显高于不使用该模型的平均点击率。但是Meta提到，他们注意到使用CTR模型，代表大部分的每日摘要通知都是发送给相对活跃的Instagram用户，但是对部分活跃用户来说，即便没有收到这些摘要通知，他们本来就还是会看到这些内容。
Meta认为，对这些活跃用户发送更少的通知，反而是提供更好的用户体验。但具有挑战性的部分是正确识别出这些用户的方法，因为直接减少这类通知，可能使这些用户变得不那么活跃，如果无法正确选择合适的用户，这样的行动可能导致用户参与度下降。
Meta希望选择合适的用户群组，来最大程度提高发送通知的效率，对于这个问题，Meta假设每封每日摘要通知都有固定的成本，这些通知拥有一个总预算，也就是总通知发送量，Meta提到，他们将用户选择问题转变成为预算分配问题，计算发送以及不发送每日摘要通知之间的增量价值，当没收到通知但用户依然活跃，则代表该则通知增量价值小。
Meta通过将通知按增量价值排序，选择增量价值高的通知发送，就可以在有限预算，也就是有限的通知发送量，最大化整体增量价值，但官方提到，要在通知发送和丢弃之前，估算增量价值是一件困难的事。
他们进行了一个随机实验来收集资料，并开发出神经网络模型，以用户的层级来预测发送与不发送通知的增量影响，但是因为所有通知都是线上生成并且进行评分，Meta无法提前替所有候选通知进行增量估算并排序，所以他们设置了一个阈值，当线上生成的通知分数高于特定阈值才会发送。
在采用因果推断和机器学习改善通知后，Meta大幅减少了Instagram通知量，并且用户参与度并没有下降，达到同时改善用户体验，并且减少资源使用的目的。