[发明专利]用于改进数字内容推荐的实体表示学习

说明书

计算机配置为改进内容推荐。例如，机器访问表示职位描述与成员简档之间的亲和度的第一得分。基于表示职位描述的第一嵌入以及表示成员简档的第二嵌入生成第一得分，并且第一嵌入包括标识与职位描述相关联的组织的特征。基于第一得分超过第一阈值，机器使得在用户接口中显示职位描述的推荐。该机器基于对职位描述的选择的指示，生成表示与该组织相关联的文章的第三嵌入。该机器生成表示成员简档‑职位亲和度的第二得分，并且基于第二得分超过第二阈值，使得在用户接口中显示该文章的推荐。

技术领域

本申请一般涉及用于改进数字内容推荐的实体表示学习的系统、方法和计算机程序产品。

背景技术

一些个性化搜索涉及针对可能结果的语料库分析用户特征以找到针对用户的最佳选项。例如，职位搜索可以根据他们的背景、教育、经验等为不同的用户生成不同的结果。有时，发现用户之间的相似性是有帮助的，因为如果用户已经表现出对一个职位感兴趣，则具有类似特征的用户也可能对该职位同样感兴趣。

然而，在线系统的用户数量可以是数百万，并且与用户相关联的数据类别(例如，教育机构、当前职位等)也可以达数千或数百万。鉴于大量数据和可能的类别，在所有这些用户之间发现相似性可能是计算上昂贵的提议，从而导致执行搜索的计算机系统的电子资源的过度消耗的技术问题。

附图说明

一些实施例在附图中通过示例而不是限制的方式示出，其中：

图1是示出根据一些示例实施例的客户端-服务器系统的网络图；

图2示出了根据一些示例实施例的机器学习程序的训练和使用；

图3是示出根据一些示例实施例的由机器学习系统生成的文章嵌入的框图；

图4是示出根据一些示例实施例的用于由机器学习系统确定成员-文章亲和度的深度网络的框图；

图5是示出根据一些示例实施例的用于由机器学习系统确定成员-职位亲和度的深度网络的框图；

图6是示出根据一些示例实施例的机器学习系统的组件的框图；

图7是示出根据一些示例实施例的用于改进数字内容推荐的实体表示学习的方法的流程图；

图8是示出根据一些示例实施例的用于改进数字内容推荐的实体表示学习的方法以及表示图7中所示的方法的附加步骤的流程图；

图9是示出根据一些示例实施例的用于改进数字内容推荐的实体表示学习的方法以及更详细地表示步骤702以及表示图7中所示的方法的附加步骤的流程图；

图10是示出根据一些示例实施例的用于改进数字内容推荐的实体表示学习的方法并且表示图9中所示的方法的附加步骤的流程图；

图11是示出根据一些示例实施例的用于改进数字内容推荐的实体表示学习的方法并且更详细地表示图9中所示的方法的步骤708、908和710的流程图；

图12是示出根据一些示例实施例的用于改进数字内容推荐的实体表示学习的方法的流程图；以及

图13是示出根据一些示例实施例的能够从机器可读介质读取指令并执行本文所讨论的任何一种或多种方法的机器的组件的框图。

具体实施方式

描述了用于改进数字内容推荐的实体表示学习的示例方法和系统。在以下描述中，出于解释的目的，阐述了许多具体细节以提供对示例实施例的透彻理解。然而，对于本领域技术人员显而易见的是，可以在没有这些具体细节的情况下实践本主题。此外，除非另外明确说明，否则组件和功能是可选的并且可以组合或细分，并且操作可以按顺序变化或者组合或细分。