【技术实现步骤摘要】
用于机器学习模型的并行化坐标下降法相关申请的交叉引用本申请要求享有于2017年12月22日递交的、名称为“GENERALIZEDADDITIVEMIXEDEFFECTMACHINE-LEARNEDMODELSFORCOMPUTERIZEDPREDICTIONS”的美国临时专利申请No.62/610,076的权益,在此通过引用将其全部内容并入本文。
概括地说,本公开内容涉及在计算机网络上提供个性化预测时遇到的技术问题。更具体地说,本公开内容涉及使用用于机器学习模型的并行块坐标下降法。
技术介绍
互联网的出现引起了两个不同但相关的现象:社交网络服务的增加,其中其对应的成员简档对大量的人可见,以及使用这些社交网络服务来执行搜索或获得信息的增加。在社交网络服务上提供的常见搜索或推荐的示例是搜索在社交网络上发布的或由社交网络链接的职位。社交网络服务在管理在线职位搜索中遇到的技术问题在于:随着经由社交网络服务的职位机会的源数量和量以前所未有的速度增长,确定如何以最小延迟来提供最恰当且相关的职位结果变得极具挑战性。对职位搜索和其它结果的个性化也是优选的。例如,当用户搜索如“软件工程师”之类的查询时,取决于关于用户的技能、背景、经验、位置、以及其它因素,用户将与结果进行交互(例如通过申请潜在职位)的可能性会显著不同。例如,与专门研究硬件的人相比,熟练掌握用户界面的人将看到非常不同的一组职位结果。实际上,即使具有相同技能组和当前职位的人也会具有与相同结果进行交互的不同可能性。也可以在用户没有执行明确搜索的情况下呈现结果,特别是以推荐的形式。推荐系统是在不同上下文中将项目与用 ...
【技术保护点】
1.一种系统,包括:其上存储有指令的计算机可读介质,所述指令在由处理器执行时使得所述系统进行以下操作:执行对机器学习模型训练过程的一次或多次迭代,所述一次或多次迭代持续到满足收敛测试为止,每次迭代包括:使用第一机器学习算法来训练固定效应机器学习模型;通过将所训练的固定效应机器学习模型的结果与第一组目标结果进行比较来确定所述固定效应机器学习模型的训练残差;使用第二机器学习算法和所述固定效应机器学习模型的训练残差来训练第一随机效应机器学习模型;以及通过将所训练的第一随机效应机器学习模型的结果与第二组目标结果进行比较来确定所述第一随机效应机器学习模型的训练残差;并且其中,在每次后续迭代中,对所述固定效应机器学习模型的训练使用在先前迭代中训练的最后机器学习模型的训练残差。
【技术特征摘要】
2017.12.22 US 62/610,076;2018.01.24 US 15/879,3161.一种系统,包括:其上存储有指令的计算机可读介质,所述指令在由处理器执行时使得所述系统进行以下操作:执行对机器学习模型训练过程的一次或多次迭代,所述一次或多次迭代持续到满足收敛测试为止,每次迭代包括:使用第一机器学习算法来训练固定效应机器学习模型;通过将所训练的固定效应机器学习模型的结果与第一组目标结果进行比较来确定所述固定效应机器学习模型的训练残差;使用第二机器学习算法和所述固定效应机器学习模型的训练残差来训练第一随机效应机器学习模型;以及通过将所训练的第一随机效应机器学习模型的结果与第二组目标结果进行比较来确定所述第一随机效应机器学习模型的训练残差;并且其中,在每次后续迭代中,对所述固定效应机器学习模型的训练使用在先前迭代中训练的最后机器学习模型的训练残差。2.根据权利要求1所述的系统,其中,每次迭代还包括:使用第三机器学习算法和所述第一随机效应机器学习模型的训练残差来训练第二随机效应机器学习模型;以及通过将所训练的第二随机效应机器学习模型的结果与第三组目标结果进行比较来确定所述第二随机效应机器学习模型的训练残差。3.根据权利要求1所述的系统,其中,所述第一机器学习算法和所述第二机器学习算法是线性的。4.根据权利要求1所述的系统,其中,所述第一机器学习算法和所述第二机器学习算法是非线性的。5.根据权利要求1所述的系统,其中,所述第一机器学习算法和所述第二机器学习算法中的一种算法是线性的,并且所述第一机器学习算法和所述第二机器学习算法中的另一种算法是非线性的。6.根据权利要求1所述的系统,其中,经由对所述随机效应机器学习模型的训练而学习的随机效应系数不是跨集群中的多个计算节点来发送的。7.根据权利要求1所述的系统,其中,每次迭代使用批量同步并行(BSP)范式。8.一种方法,包括:执行对机器学习模型训练过程的一次或多次迭代,所述一次或多次迭代持续到满足收敛测试为止,每次迭代包括:使用第一机器学习算法来训练固定效应机器学习模型;通过将所训练的固定效应机器学习模型的结果与第一组目标结果进行比较来确定所述固定效应机器学习模型的训练残差;使用第二机器学习算法和所述固定效应机器学习模型的训练残差来训练第一随机效应机器学习模型;以及通过将所训练的第一随机效应机器学习模型的结果与第二组目标结果进行比较来确定所述第一随机效应机器学习模型的训练残差;并且其中,在每次后续迭代中,对所述固定效应机器学习模型的训练使用在先前迭代中训练的最后机器学习模型的训练残差。9.根据权利要求8所述的方法,其中,每次迭代还包括:使...
【专利技术属性】
技术研发人员:BC·陈,D·阿加瓦尔,A·舍尔科夫尼科夫,J·弗莱明,马一鸣,
申请(专利权)人:微软技术许可有限责任公司,
类型:发明
国别省市:美国,US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。