[发明专利]馈送优化

说明书

在一示例中，获得多个潜在的馈送对象。还获得在用户界面中执行导航命令的用户的标识，该导航命令导致显示或更新馈送。向机器学习馈送对象排名模型馈送用户的标识和多个潜在的馈送对象，馈送对象排名模型已经通过机器学习算法被训练以针对潜在的馈送对象中的每一个计算得分，该得分基于以下的组合：用户将通过用户界面对潜在的馈送对象执行交互的可能性、该用户的交互将导致其他用户的一个或多个下游事件的可能性、以及该一个或多个下游事件对社交网络服务的价值。通过它们的得分将多个潜在的馈送对象排名。

技术领域

一般而言，本公开涉及在机器学习模型中遭遇的技术问题。更具体而言，本公开涉及使用机器学习模型来优化社交网络服务馈送。

背景技术

社交网络服务是人们用于建构社交网络或与其他人的社交关系的在线平台。近年来，社交网络服务向用户提供馈送已经变得流行，其中可以向已经登录到服务中的用户呈现感兴趣的更新或事项。例如，馈送可以包括针对已经被提升、已经改变工作等的用户的社交网络连接的指示。该馈送还可以包括用户感兴趣的文章，这是因为他们具有与用户的社交网络连接中的一个或多个的一些连接(例如，由朋友写的论文)或者是因为他们链接到该用户感兴趣的区域，如由社交网络服务所标识的(例如，该文章是关于用户已经标识为他们的用户信息中感兴趣的区域的主题)。

对于社交网络服务而言，确定应该在馈送中显示许多潜在事项中的哪些以及应该以什么顺序来显示可能是挑战的。这典型地通过由社交网络服务实现的用于对要显示的潜在事项进行选择和排名的算法来处理。但是，这些算法是基于确定用户将以某一方式与该事项交互(例如，选择它、分享它、点赞它等)的可能性的。但是，这样的解决方案并不足够捕获到对系统的交互的价值。这是由在许多社交网络服务中出现下游效应导致的。

下游效应涉及与特定的立即行动有关的、但是在特定的立即行动之后发生的、作为一个整体的对用户和对社交网络服务的效应。一个主要的示例是病毒动作的概念，其中在他或她的社交网络中与其他用户分享一事项的用户可能导致这些用户与该事项互动并可能与另外的用户共享该事项，等等。从技术的角度来看，设计可以充分捕获用户动作导致下游事件的可能性的算法很复杂，更不用说捕获这样的下游事件对用户或对社交网络服务自身的价值。

附图简要说明

通过示例且不限制的方式，在附图的图中描绘了本技术的一些实施例。

图1为根据一示例性实施例的描绘客户端-服务器系统的框图。

图2为示出与本公开的一些实施例一致的社交网络系统的功能组件的框图。

图3为根据一示例性实施例更详细地描绘图2的应用服务器模块的框图。

图4为根据一示例性实施例更详细地描绘图3的排名模型的框图。

图5为根据一些示例性实施例的包括不同类别中的事项的用户馈送的截屏。

图6为根据一示例性实施例的描绘用于在社交网络服务的用户界面中对馈送中的潜在对象进行排名的方法的流程图。

图7为描绘可以在上文描述的一个或多个设备中的任何一个上安装的软件架构的框图。

图8根据一示例性实施例描绘了计算机系统行使的机器的图形表示，在该机器中可以执行一组指令以使得该机器执行本申请中讨论的一个或多个方法中的任何一个。

具体实施方式

本公开描述了单独提供各种功能的方法、系统、和计算机程序产品等。在以下的描述中，为了解释的目的，给出了许多具体描述以提供对本公开的不同实施例的各个方面的透彻理解。但是，对本领域的熟练技术人员而言，将明显的是，可以在没有所以这些具体细节的情况下实施本公开。