[发明专利]具有树交互特征的实体级搜索模型

权利要求书

1.一种系统，包括：

一个或多个处理器；

具有存储在其上的指令的计算机可读介质，其中，所述指令当由所述一个或多个处理器执行时，使得所述系统进行以下操作：

响应于在线搜索而获得多个搜索结果；

为所述多个搜索结果中的每个搜索结果生成第一多个特征；

为所述多个搜索结果中的每个搜索结果生成第二多个特征；

将所述第二多个特征馈送到梯度提升决策树中，所述梯度提升决策树包括n个等级的节点，每个节点经由边连接到至少一个其他节点，每个边针对所述第二多个特征中的一个特征来编码不同决策，所述梯度提升决策树编码n-1个决策，产生经编码的叶节点，所述经编码的叶节点描述了针对所述多个搜索结果中的每个搜索结果在所述梯度提升决策树中的所述第二多个特征之间的交互；

将针对所述多个搜索结果中的每个搜索结果的所述第一多个特征和所述经编码的叶节点馈送到由机器学习算法训练的广义线性混合效应(GLMix)模型中，以为所述多个搜索结果中的每个搜索结果提供相关性分数；

基于对应的相关性分数来对所述多个搜索结果进行排名；以及

在图形用户界面中以反映排名的顺序来显示所述搜索结果中的一个或多个搜索结果。

2.根据权利要求1所述的系统，其中，所述GLMix模型包括多个模型，所述多个模型包括全局模型和一个或多个随机效应模型。

3.根据权利要求1所述的系统，其中，所述多个搜索结果是社交网络服务中的候选者。

4.根据权利要求3所述的系统，其中，所述第一多个特征是至少部分地从所述候选者的社交网络服务简档生成的。

5.根据权利要求3所述的系统，其中，所述第二多个特征是至少部分地基于与执行得出所述多个搜索结果的搜索的招聘者有关的信息生成的。

6.根据权利要求3所述的系统，其中，所述GLMix模型是通过以下操作训练的：将包括与对应的社交网络服务成员是否接受来自招聘者的通信有关的信息的丰富的训练数据馈送到机器学习算法中，所述丰富的训练数据是通过将训练数据与通过将所述训练数据馈送到所述梯度提升决策树中而产生的经编码的特征进行组合来形成的。

7.根据权利要求1所述的系统，其中，所述GLMix模型是在批量同步并行范例下使用并行化块坐标下降来实现的。

8.一种计算机实现的方法，包括：

响应于在线搜索而获得多个搜索结果；

为所述多个搜索结果中的每个搜索结果生成第一多个特征；

为所述多个搜索结果中的每个搜索结果生成第二多个特征；

将所述第二多个特征馈送到梯度提升决策树中，所述梯度提升决策树包括n个等级的节点，每个节点经由边连接到至少一个其他节点，每个边针对所述第二多个特征中的一个特征来编码不同决策，所述梯度提升决策树编码n-1个决策，产生经编码的叶节点，所述经编码的叶节点描述了针对所述多个搜索结果中的每个搜索结果在所述梯度提升决策树中的所述第二多个特征之间的交互；

将针对所述多个搜索结果中的每个搜索结果的所述第一多个特征和所述经编码的叶节点馈送到由机器学习算法训练的广义线性混合效应(GLMix)模型中，以为所述多个搜索结果中的每个搜索结果提供相关性分数；

基于对应的相关性分数来对所述多个搜索结果进行排名；以及

在图形用户界面中以反映排名的顺序来显示所述搜索结果中的一个或多个搜索结果。

9.根据权利要求8所述的方法，其中，所述GLMix模型包括多个模型，所述多个模型包括全局模型和一个或多个随机效应模型。

10.根据权利要求8所述的方法，其中，所述多个搜索结果是社交网络服务中的候选者。

11.根据权利要求10所述的方法，其中，所述第一多个特征是至少部分地从所述候选者的社交网络服务简档生成的。