[发明专利]用于职位推荐的具深度和宽度的机器学习模型

说明书

在实例中，将提升决策树模型中的特征初始化成零，所述提升决策树模型定位于GLMM中且通过预测层连接到深度神经网络协作式滤波模型。在所述提升决策树模型中的所述特征保持是零时，训练所述深度神经网络协作式滤波模型。将由对所述深度神经网络协作式滤波模型的训练产生的洛吉值用作余量来提升所述提升决策树模型中的一个或多个树。使用来自所述深度神经网络协作式滤波模型的特征和来自所述提升决策树模型的特征来训练所述预测层。接着确定是否满足一组汇聚准则。如果不满足，那么使用所述特征来重新训练所述深度神经网络协作式滤波模型，且重复过程直到满足所述组汇聚准则为止。

技术领域

本公开大体上涉及在推荐对应于计算机网络上职位发布的职位的过程中遭遇到的技术问题。更具体地说，本公开涉及使用用于职位推荐的具深度和宽度的机器学习模型。

背景技术

因特网的崛起已引起两种不同但相关的现象：社交网络存在感增强，其对应成员简档对大量人员可见；和这些社交网络的使用增加，以执行对已在社交网络上发布或链接到社交网络的职位的搜索。公司在因特网上发布职位发布的流行趋势还已经引起另一中更新的现象：社交网络服务和/或其它服务会在成员并未主动搜索此类列表的情况下尝试向成员推荐职位发布。

已提议用于向成员推荐职位发布的各种解决方案。最近，深度神经网络已在职位发布推荐方面获得成功。深度神经网络结构可有效地产生非线性低维度密集嵌入特征，而不需要许多特征工程工作。这些特征适合于泛化并可极大地减小特征维度，但会遭受过度泛化。

另一解决方案将是使用具有非线性变换特征的通用线性模型。虽然这具有更少过度泛化，但是其依赖于特征工程以产生宽的稀疏特征。特征常常不会捕获成员和职位的语义含义。举例来说，在职称“应用程序开发者”与“软件工程师”之间存在极少余弦类似性，且在现实世界中这两者之间又存在相当大的重叠。此外，稀疏特征在线性模型中并不泛化良好。此外，过多特征会产生高在线计分时延和困难的适配。

所需要的是不依赖于特征工程同时不会引起过度泛化的解决方案。

附图说明

借助于实例而非限制，在附图的各图中说明本技术的一些实施例。

图1是说明根据实例实施例客户端-服务器系统的框图。

图2是绘示与本公开的一些实施例一致的用于产生并提供搜索查询的搜索结果的社交网络服务的功能组件，包含在本文中被称作搜索引擎的数据处理模块的框图。

图3是更详细地说明根据实例实施例的图2的应用程序服务器模块的框图。

图4是说明根据实例实施例的具深度和宽度的机器学习模型的框图。

图5是更详细地说明根据实例实施例的深度神经网络协作式滤波模型的框图。

图6是说明根据实例实施例的由提升决策树模型产生的树的系综的实例的框图。

图7是说明根据实例实施例的用以训练提升决策树模型的迭代方法的流程图。

图8到11是说明根据实例实施例的图7的方法的实例概要的框图。

图12是说明根据实例实施例的关于一个或多个职位发布的信息可显示于来自社交网络服务的“您可能感兴趣的职位”网页上的方式的截图。

图13是说明可以与在本文中描述的各种硬件架构结合使用的代表性软件架构的框图。

图14是说明根据一些实例实施例的能够从机器可读媒体（例如机器可读存储媒体）读取指令并执行本文中论述的方法中的任何一个或多个的机器的组件的框图。

具体实施方式