[发明专利]用于机器学习模型的并行化坐标下降法

说明书

执行机器学习模型训练过程的迭代直到发生收敛为止。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。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第一随机效应机器学习模型的训练残差。在每次后续迭代中，对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。

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“GENERALIZED ADDITIVEMIXED EFFECT MACHINE-LEARNED MODELS FOR COMPUTERIZED PREDICTIONS”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。

技术领域

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。

背景技术

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户进行匹配的自动化计算机程序。为了实现大规模的精确推荐，使用机器学习模型从用户反馈数据中估计用户偏好。使用从用户过去与对象或结果的交互获得的大量高频度数据来构造这种模型。

历史上，响应于查询来对职位搜索结果进行排序或执行其它推荐的模型重度利用从查询和职位发布中提取的基于文本和实体的特征来推导出全局排序或推荐。这种模型的示例是广义线性模型(GLM)。GLM是对线性回归的广义化，其允许具有除了正态分布之外的误差分布模型的响应变量。GLM通过允许线性模型经由连结函数与响应变量相关并通过允许每次测量的方差大小是其预测值的函数来对线性回归进行广义化。

GLM可以利用以下预测方程：

其中该方程预测用户i对项目j的响应，并且x_ij是特征向量，w是系数向量，是响应的期望值，并且g()是连结函数。

然而，在数据充裕的场景中，在用户或项目级具有更细粒度的模型将潜在地得到更精确的预测，因为可以更好地捕获用户对项目的个人偏好以及项目对用户的特定吸引力。

附图说明

在附图中通过示例而非限制示出了本文技术的一些实施例。

图1是根据示例性实施例示出了客户端服务器系统的框图。

图2是与本公开内容的一些实施例一致地示出了社交网络服务的功能组件的框图，包括在本文中被称为搜索引擎的数据处理模型，以用于生成并提供针对搜索查询的搜索结果。

图3是根据示例性实施例更详细地示出了图2的应用服务器模块的框图。