[发明专利]用于职位推荐的具深度和宽度的机器学习模型

摘要

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。

主权项

1.一种系统，包括：存储广义线性混合模型（GLMM）的存储器，所述GLMM包括通过预测层连接的深度神经网络协作式滤波模型与提升决策树模型；以及计算机可读媒体，在上面存储有指令，所述指令在由处理器执行时致使所述系统：将所述提升决策树模型中的特征初始化成零；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所述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；确定是否满足一组汇聚准则；以及响应于确定未满足所述组汇聚准则而：使用所述提升决策树模型中的所述特征来重新训练所述深度神经网络协作式滤波模型；以及重复所述提升、训练、确定和重新训练直到满足所述组汇聚准则为止。