【技术实现步骤摘要】
具有树交互特征的实体级搜索模型
本公开一般地涉及用于机器学习模型的计算机技术。更加具体地,本公开涉及具有树交互特征的实体级搜索模型。
技术介绍
互联网的兴起引发了两种现象:社交网络的出现的增加,其中,其对应的成员简档对大量人群是可见的,以及求职者和雇主两者对用于工作搜索的社交网络的使用的增加。雇主或者至少是试图联系求职者和雇主的招聘者常常在社交网络上进行搜索以识别具有资格的候选者,所述资格使这些候选者成为其试图填补的任何空缺的职位的良好候选者。接着,雇主或招聘者可以联系这些候选者,以看他们是否有兴趣申请该空缺的职位。附图说明作为示例而非限制,在附图的图中示出了本技术的一些实施例。图1是示出了根据示例实施例的客户端-服务器系统的框图。图2是示出了与本公开的一些实施例一致的社交网络服务的功能性组件的框图,所述功能性组件包括在本文中称为搜索引擎的数据处理模块,其在生成和提供搜索查询的搜索结果时使用。图3是更加详细地示出了图2的应用服务器模块的框图。图4是更加详细地示出了根据示例实施例的候选者排名引擎的框图。图5是示出了根据示例实施例的、具有非线性树交互特征的GLMix模型的管线的框图。图6是示出了根据示例实施例的用于训练GLMix模型的架构的框图。图7是示出了根据示例实施例的梯度提升树的示例的图。图8是示出了根据示例实施例的、在批量同步并行(BSP)范例下对并行化块坐标下降的第k次迭代的框图。图9是示出了根据示例实施例的用于对搜 ...
【技术保护点】
1.一种系统,包括:/n一个或多个处理器;/n具有存储在其上的指令的计算机可读介质,其中,所述指令当由所述一个或多个处理器执行时,使得所述系统进行以下操作:/n响应于在线搜索而获得多个搜索结果;/n为所述多个搜索结果中的每个搜索结果生成第一多个特征;/n为所述多个搜索结果中的每个搜索结果生成第二多个特征;/n将所述第二多个特征馈送到梯度提升决策树中,所述梯度提升决策树包括n个等级的节点,每个节点经由边连接到至少一个其他节点,每个边针对所述第二多个特征中的一个特征来编码不同决策,所述梯度提升决策树编码n-1个决策,产生经编码的叶节点,所述经编码的叶节点描述了针对所述多个搜索结果中的每个搜索结果在所述梯度提升决策树中的所述第二多个特征之间的交互;/n将针对所述多个搜索结果中的每个搜索结果的所述第一多个特征和所述经编码的叶节点馈送到由机器学习算法训练的广义线性混合效应(GLMix)模型中,以为所述多个搜索结果中的每个搜索结果提供相关性分数;/n基于对应的相关性分数来对所述多个搜索结果进行排名;以及/n在图形用户界面中以反映排名的顺序来显示所述搜索结果中的一个或多个搜索结果。/n
【技术特征摘要】
20180823 US 16/110,4341.一种系统,包括:
一个或多个处理器;
具有存储在其上的指令的计算机可读介质,其中,所述指令当由所述一个或多个处理器执行时,使得所述系统进行以下操作:
响应于在线搜索而获得多个搜索结果;
为所述多个搜索结果中的每个搜索结果生成第一多个特征;
为所述多个搜索结果中的每个搜索结果生成第二多个特征;
将所述第二多个特征馈送到梯度提升决策树中,所述梯度提升决策树包括n个等级的节点,每个节点经由边连接到至少一个其他节点,每个边针对所述第二多个特征中的一个特征来编码不同决策,所述梯度提升决策树编码n-1个决策,产生经编码的叶节点,所述经编码的叶节点描述了针对所述多个搜索结果中的每个搜索结果在所述梯度提升决策树中的所述第二多个特征之间的交互;
将针对所述多个搜索结果中的每个搜索结果的所述第一多个特征和所述经编码的叶节点馈送到由机器学习算法训练的广义线性混合效应(GLMix)模型中,以为所述多个搜索结果中的每个搜索结果提供相关性分数;
基于对应的相关性分数来对所述多个搜索结果进行排名;以及
在图形用户界面中以反映排名的顺序来显示所述搜索结果中的一个或多个搜索结果。
2.根据权利要求1所述的系统,其中,所述GLMix模型包括多个模型,所述多个模型包括全局模型和一个或多个随机效应模型。
3.根据权利要求1所述的系统,其中,所述多个搜索结果是社交网络服务中的候选者。
4.根据权利要求3所述的系统,其中,所述第一多个特征是至少部分地从所述候选者的社交网络服务简档生成的。
5.根据权利要求3所述的系统,其中,所述第二多个特征是至少部分地基于与执行得出所述多个搜索结果的搜索的招聘者有关的信息生成的。
6.根据权利要求3所述的系统,其中,所述GLMix模型是通过以下操作训练的:将包括与对应的社交网络服务成员是否接受来自招聘者的通信有关的信息的丰富的训练数据馈送到机器学习算法中,所述丰富的训练数据是通过将训练数据与通过将所述训练数据馈送到所述梯度提升决策树中而产生的经编码的特征进行组合来形成的。
7.根据权利要求1所述的系统,其中,所述GLMix模型是在批量同步并行范例下使用并行化块坐标下降来实现的。
8.一种计算机实现的方法,包括:
响应于在线搜索而获得多个搜索结果;
为所述多个搜索结果中的每个搜索结果生成第一多个特征;
为所述多个搜索结果中的每个搜索结果生成第二多个特征;
将所述第二多个特征馈送到梯度提升决策树中,所述梯度提升决策树包括n个等级的节点,每个节点经由边连接到至少一个其他节点,每个边针对所述第二多个特征中的一个特征来编码不同决策,所述梯度提升决策树编码n-1个决策,产生经编码的叶节点,所述经编码的叶节点描述了针对所述多个搜索结果中的每个搜索结果在所述梯度提升决策树中的所述第二多个特征之间的交互;
将针对所述多个搜索结果中的每个搜索结果的所述第一多个特征和所述经编码的叶节点馈送到由机器学习算法训练的广义线性混合效应(GLMix)模型中,以为所述多个搜索结果中的每个搜索结果提供相关性分数;
基于对应的相关性分数来对所述多个搜索结果进行排名;以及
在图形用户界面中以反映排名的顺序来显示所述搜索结果中的...
【专利技术属性】
技术研发人员:C·厄兹恰拉尔,S·C·盖伊克,B·施米茨,P·夏尔马,E·E·布坎南,
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。