May, 2016

在专业网络中学习排名个性化搜索结果

PDF
TL;DR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。
linkedin searchpersonalizationmining datasearcher's intentlearning-to-rank
发现论文，激发创造
  • 领英个性化专家搜索

    本文提出了一种使用基于矩阵分解的协同过滤方法解决 LinkedIn 上基于技能的个性化专家搜索问题的方法，并在实际测试中取得了较好的成果。

    Feb, 2016

  • 学习与职位匹配的检索

    应用学习检索技术改进 LinkedIn 的职位搜索和推荐系统，通过构建评估求职者资格的图和利用学习到的链接进行检索，提高应聘人员质量并优化求职者参与度。

    Feb, 2024

  • 领英人才搜索的深度与表示学习

    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

  • 面向搜索和推荐系统的公正排序技术及其在领英人才搜索中的应用

    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

  • 克服在线学习排名中的先验错误规定

    在线学习排序的领域，Bayesian ranking bandit algorithms 已被证明可以使用先前的知识来提高效能。本文提出并分析了自适应的算法，解决了现有工作需要匹配真实先验的主要局限性，并将这些结果扩展到线性和广义线性模型。此外，我们还考虑点击反馈措施，并通过合成和现实世界实验证明了我们算法的有效性。

    Jan, 2023

  • 学习排序链：从隐式反馈中进行排序

    本文提出一种新方法，利用点击行为数据学习网页搜索结果的排序检索函数，通过查询链生成新类型的偏好判断，并实现了一个实际的搜索引擎进行测试，实验结果表明与传统排序函数和不考虑查询链情况下的排序函数相比，该方法在搜索引擎排序上有显著的改进。

    May, 2006

  • 领英人才搜索和推荐系统：实践中的挑战和教训

    本文主要探讨了极具创新性的信息检索、系统和建模方面的挑战，这些挑战都是与领英人才搜索与推荐系统相关的。

    Sep, 2018

  • 排名公平性的政策学习

    本文提出了一种利用随机排序策略来进行公平学习及考虑排序项影响的通用 LTR 框架，并通过基于政策梯度方法的 Fair-PG-Rank 算法进行优化，可在保持曝光公平性的情况下优化各种效用指标。通过实验结果验证了此方法在个人和集体公平性方面的有效性。

    Feb, 2019

  • 寻找理想候选人：领英下一代人才搜索

    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

  • 个体公正排序

    提出基于最优传输正则化的算法，确保少数群体的项目与多数群体的相似项目一同出现，实现个体公平的排序，进行排名任务时有助于降低人口统计偏差，证明该方法可以生成被公认为个体公平的 LTR 模型。

    Mar, 2021