[发明专利]具有树交互特征的实体级搜索模型

说明书

在示例实施例中，梯度提升决策树用于生成树交互特征，该树交互特征对搜索结果的特征的一组决策规则进行编码，并且因此允许特征交互。接着，这些树交互特征可以用作GLMix模型的特征，实质上将非线性注入GLMix模型。

技术领域

本公开一般地涉及用于机器学习模型的计算机技术。更加具体地，本公开涉及具有树交互特征的实体级搜索模型。

背景技术

互联网的兴起引发了两种现象：社交网络的出现的增加，其中，其对应的成员简档对大量人群是可见的，以及求职者和雇主两者对用于工作搜索的社交网络的使用的增加。雇主或者至少是试图联系求职者和雇主的招聘者常常在社交网络上进行搜索以识别具有资格的候选者，所述资格使这些候选者成为其试图填补的任何空缺的职位的良好候选者。接着，雇主或招聘者可以联系这些候选者，以看他们是否有兴趣申请该空缺的职位。

附图说明

作为示例而非限制，在附图的图中示出了本技术的一些实施例。

图1是示出了根据示例实施例的客户端-服务器系统的框图。

图2是示出了与本公开的一些实施例一致的社交网络服务的功能性组件的框图，所述功能性组件包括在本文中称为搜索引擎的数据处理模块，其在生成和提供搜索查询的搜索结果时使用。

图3是更加详细地示出了图2的应用服务器模块的框图。

图4是更加详细地示出了根据示例实施例的候选者排名引擎的框图。

图5是示出了根据示例实施例的、具有非线性树交互特征的GLMix模型的管线的框图。

图6是示出了根据示例实施例的用于训练GLMix模型的架构的框图。

图7是示出了根据示例实施例的梯度提升树的示例的图。

图8是示出了根据示例实施例的、在批量同步并行(BSP)范例下对并行化块坐标下降的第k次迭代的框图。

图9是示出了根据示例实施例的用于对搜索结果进行排名的方法的流程图。

图10是示出了根据示例实施例的显示搜索结果的图形用户界面的屏幕的屏幕捕获。

图11是示出了代表性软件架构的框图，该代表性软件架构可以与在本文中所描述的各种硬件架构相结合地使用。

图12是示出了根据一些示例实施例的、能够从机器可读介质(例如，机器可读存储介质)读取指令并且执行在本文中所讨论的方法中的任何一个或多个方法的机器的组件的框图。

具体实施方式

概述

本公开描述了单独地提供各种功能的方法、系统、和计算机程序产品等。在以下描述中，出于解释的目的，阐述了许多具体细节以便提供对本公开的不同实施例的各个方面的透彻理解。然而，对本领域的熟练技术人员将显而易见的是，可以在没有所有这些具体细节的情况下实践本公开。

社交网络服务在管理在线候选者搜索中遇到的技术问题是：随着经由社交网络服务共享的信息的源数量和容量以前所未有的速度增长，确定如何以最小延迟来提供最合适和最相关的信息变得极具挑战性。这包括例如确定如何优于其他候选者来推荐某些候选者。

候选者搜索和其他结果的个性化也是期望的。例如，当招聘者针对“软件工程师”之类的查询执行搜索时，取决于有关招聘者的技能、背景、经验、位置、和其他因素，招聘者将与结果进行交互(例如，通过发送介绍性电子邮件)的几率可能完全不同。