斯坦伯格解释说，这是一种算法，“基本上是在看图表的边缘”，以决定如何在新闻推送中对故事进行排名。
对于Facebook，图中的每个项目(即状态更新、图像、视频)都被视为对象。与对象的每一次交互——例如，通过“点赞”或“评论”——都会创建一个“边缘”。该公式表明，图中对象的排名是各个边的排名之和。套用阿里·斯坦伯格(Ari Steinberg)的话来说，人们可以把每条边缘都看作是由三个主要组成部分组成的:发生的时间、一种类型的边缘(评论或点赞)，以及创造这种边缘的用户。对于每一个用户，Facebook会计算出一个特定的观察者倾向于与用户互动的程度一一例如，他们评论用户更新、查看用户个人资料或发送信息的频率。该公式的边缘权重组件为每种类型的边缘分配一个权重;例如，评论可能比点赞权重更大，等等。斯坦伯格还建议他们训练模型来找出不同类型边的合适权重，这暗示了机器学习技术的使用。最后一个因素是时间衰减，因为正如斯坦伯格所说，新鲜度往往非常重要(金凯德，2010)。EdgeRank是通过将每条边的亲和力、权重和时间衰减分数相乘来计算的。然而，如今，Facebook的算法不能简单地分解为三个不同的元素(如果可以的话)。用户每次访问Facebook，平均有1500个故事可供他们浏览。不用说，在任何给定的时间里，这些故事中只有少数能被展示出来。因此，Facebook的任务是决定哪些故事最值得关注。通过查看朋友关系、互动频率、帖子获得的点赞和分享数量、用户过去与特定类型帖子的互动次数等。Facebook“能够为任何给定的Facebook帖子分配特定于任何给定Facebook用户的‘相关性评分’”(Oremus,2016)一旦确定了每个帖子的相关性分数，排序算法就可以将它们按正确的顺序排列，供用户查看。
在新闻推送上可见一一出现在半公共空间—一取决于一组关于什么构成相关或有新闻价值的故事的既定假设。有多少朋友评论某条内容，谁发布了该内容，以及它是什么类型的内容(例如，照片，视频或状态更新只是决定边缘排名的一些因素。排名越高，对象就越有可能出现在用户的提要中(金凯德，2010)。正如Facebook专利申请中所解释的那样，该系统“在选择性地向用户提供内容的过程中使用不同类型的用户信息，包括用户配置文件对象、操作日志和边缘对象”(Luu,2013)。用户个人资料对象是指用户明确地与系统共享的所有声明性信息。动作日志存储平台上发生的不同类型的交互一一例如，成为音乐家的粉丝或添加事件。边缘对象存储有关用户与其他节点连接的信息，包括用户之间连接的强度，系统将其计算为亲和力评分(Luu,2013)。换句话说，该算法是基于假设用户和朋友之间的联系不是均等的。有些朋友比其他朋友“更重要”。更重要的朋友是那些与用户互动频繁或更“亲密”的朋友——比如，通过“聊天”而不是“留言板”与朋友交流。新闻动态算法也倾向于突出某些类型的边缘，同时降低其他类型的边缘，其中互动类型成为决定性因素。在“Facebook聊天”上与某人聊天可能比“点赞”他或她的帖子更重要。通过测试，Facebook发现，“当人们在Facebook上看到更多的文字状态更新时，他们自己也会写更多的状态更新”——尤其是当这些状态更新是由朋友而不是页面写的时候(Turitzin, 2014)。正如news feed排名的产品经理克里斯Turitzin(ChrisTuritzin,2014)所说，“正因为如此，我们在他们的news feed中向人们展示了更多的文本状态更新。”显然，更有可能产生互动或促使用户采取行动的内容类型变得更明显，并被优先考虑。正如Facebook工程师安德鲁·博斯沃思(Andrew bosworth)和克里斯·考克斯(Chris Cox)在一份专利文件中所写的那样，该系统根据一个或多个用户活动和关系，确定过去、现在和未来内容的总体亲和力：
78
IF . . . THEN