WWWFeb, 2019

树交互特征的实体个性化人才搜索模型

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 利用梯度提升决策树增强 Transformers 在 NLI 微调中的效能

    本文探讨了采用 Gradient Boosted Decision Trees 作为分类器的自然语言推断（NLI）任务方法，介绍了 FreeGBDT 方法，该方法可以在不增加神经网络的计算量的情况下，提高对特征的分类精度，实验证明 FreeGBDT 对于多个 NLI 数据集的 RoBERTa-large 基线模型都有稳定的提升。

    May, 2021

  • 结构化梯度树提升算法用于集体实体消歧

    本研究提出了一种基于渐进树提升（gradient tree boosting）的结构学习模型，用于在文档中共同消歧命名实体，并通过提出的双向束搜索算法 BiBSG 进行近似推断。在标准基准数据集上的实验表明，该模型显着提高了先前发表结果，特别是在 AIDA-CoNLL 数据集上表现优异。

    Feb, 2018

  • 基于树结构深度模型的推荐系统学习

    本文提出一种基于树的方法来解决推荐系统中引入更多表现形式且更为复杂的模型（例如深度神经网络）时所面临的计算困难问题。我们的方法可以提供对数级的计算复杂度，并在两个大规模真实世界数据集上取得了较好的实验效果，同时在淘宝广告平台的在线 A/B 测试中也证明了它在生产环境下的有效性。

    Jan, 2018

  • 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

  • JobFormer：具有语义增强变形器的技能感知工作推荐

    我们提出了一种新颖的基于设计的语义增强转换器的技能感知推荐模型，用于解析职位描述并完成个性化的工作推荐。我们采用两阶段学习策略进行技能感知推荐，在召回阶段利用技能分布指导 JD 表示学习，然后在排序阶段结合用户个人资料进行最终预测，为学习 JD 提供上下文语义表示，并为点击率（CTR）预测提供有效的 JD - 用户联合表示。通过对大规模真实世界和公共数据集的彻底实证分析，验证了我们方法在职位推荐方面的卓越性能和可解释性。

    Apr, 2024

  • 推荐系统中基于树索引和深度模型的联合优化

    本文提出了一种联合优化的框架来学习树形推荐模型的索引结构和用户偏好预测模型，利用树形结构提出了一种新的用户偏好表示方法，针对大规模实际数据进行了实验验证，并在显示广告平台的在线 A/B 测试中证明了方法的有效性。

    Feb, 2019

  • 应用 Beam Search 学习最佳树模型

    通过发展 Bayes 最优方法和校准方法来理解和分析现有树模型中存在的训练 - 测试差异问题，并提出了一种新的算法来解决此问题，实验结果证明了该算法相较于现有方法具有更高的性能水平。

    Jun, 2020

  • 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

  • 多层梯度提升决策树

    提出了一种名为 mGBDTs 的多层 GBDT 森林算法，通过堆叠多层回归 GBDTs 作为其构建块，探索学习分层表示能力。该模型可以通过变体的跨层目标传播进行联合训练，无需反向传播或可微分性，并在性能和表示学习能力方面得到了证实。

    May, 2018