领英个性化专家搜索
此论文讲述了如何通过挖掘 LinkedIn 中的各种数据源以推断搜索者的意图,并将同构概念扩展到许多方面以捕捉搜索者 - 结果的相似之处,然后通过学习排名(LTR)来将这些信号与标准搜索特征相结合,从而实现 LinkedIn 搜索的深度个性化。
May, 2016
本文研究了深度学习在 LinkedIn 人才搜索和推荐系统中的应用,利用神经网络模型学习人才搜索领域中的稀疏实体的语义表示,利用学习排名方法来提升人才搜索、推荐系统的表现。
Sep, 2018
在 LinkedIn 中,我们设计了一种新的人才搜索范例,名为 “理想候选人搜索”,只需要用户输入一到多个合适候选人的示例,系统将基于输入的候选人生成一个查询并检索和排名结果。
Feb, 2016
该研究提出了一种评估和降低个人排名算法偏差的框架,旨在实现公平性标准,通过 LinkedIn Talent Search 在线 A/B 测试并部署在全球 LinkedIn Recruiter 用户中,实现公平和商业指标的协调提高,有助于招聘行业和 630M 以上 LinkedIn 会员的公平和受益。
Apr, 2019
本文提出了一种新颖的基于层次贝叶斯模型的社交网络信息效果预测方法,并结合主题建模和概率矩阵分解,从训练数据中自动推断有用的潜在主题和社交信息以及其对协作过滤的重要性,并展现了该算法在推荐系统方面优于现有方法的实验结果,揭示了社交圈在信息的决策过程中比个人品味更具影响力,以及可能在许多利用社交信息的推荐系统中存在的信息泄露问题的解决方案。
Jun, 2012
在 LinkedIn 上,我们通过开发一款新的产品将招聘者在线筛选问题来提高聘用效率和减少手动筛选每个应聘者的需求,并提出了一项新的任务来自动生成给定职位发布的筛选问题,使用称为 Job2Questions 的深度学习模型来自动化生成最佳的筛选问题并在上线后显著提升了工作市场的影响力。
Apr, 2020