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
该研究论文介绍了 LinkedIn 如何利用深度迁移学习方法和专家反馈循环来改进其职位理解模型,从而提高职位推荐系统的准确性和雇佣效率。
May, 2020
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
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
本文提出了一种基于实体个性化的人才搜索模型, 结合广义线性混合模型和梯度增强决策树模型提供个性化的推荐,并使用 GBDT 生成的非线性交互特征。此外,文章还介绍了离线和在线系统架构,并使用离线和在线实验结果证明了此模型与全局训练的非个性化模型相比在准确率指标上的显着提高。
Feb, 2019
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
本文提出了 Wide & Deep learning 方法,通过联合训练宽线性模型和深度神经网络,结合了特征交互的记忆性和泛化性,用于推荐系统并在 Google Play 商店进行了实验验证,结果表明该方法显著提高了移动应用获取量。
Jun, 2016
本文通过使用不同的深度神经网络模型,包括 TextCNN、Bi-GRU-LSTM-CNN 和 Bi-GRU-CNN 以及各种预训练的单词嵌入来研究职业预测。此外,我们还提出了一个简单有效的组合模型。实验结果表明,我们的提出的组合模型取得了最高的 F1 分数为 72.71%。
Dec, 2019
我们采用神经网络学习个人的多维表示,结合社交媒体上的丰富语言和网络证据,从而综合推断人们在线的潜在属性,包括性别、职业、位置和友谊,并在推特上实现了分类、学习表示和预测任务的提高性能。
Oct, 2015
本篇综述了目前深度图表示学习算法的最新研究进展,提出了现有技术的新分类法,并探讨了深度图表示学习的实际应用、前景及挑战方向。
Apr, 2023