[發(fā)明專利]用于職位推薦的具深度和寬度的機器學(xué)習(xí)模型

在審

• 申請?zhí)枺?/td>: 201810909312.2
• 申請日: 2018-08-10
• 公開（公告）號: CN109409516A
• 公開（公告）日: 2019-03-01
• 發(fā)明（設(shè)計）人: B.H.樂;S.卡塔里亞;N.法瓦斯;A.格羅弗;王國胤
• 申請（專利權(quán)）人: 微軟技術(shù)許可有限責(zé)任公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06Q10/10
• 代理公司: 永新專利商標(biāo)代理有限公司 72002
• 代理人: 王英

1.一種系統(tǒng)，包括：

存儲廣義線性混合模型（GLMM）的存儲器，所述GLMM包括通過預(yù)測層連接的深度神經(jīng)網(wǎng)絡(luò)協(xié)作式濾波模型與提升決策樹模型；以及

計算機可讀媒體，在上面存儲有指令，所述指令在由處理器執(zhí)行時致使所述系統(tǒng)：

將所述提升決策樹模型中的特征初始化成零；

在所述提升決策樹模型中的所述特征保持是零時訓(xùn)練所述深度神經(jīng)網(wǎng)絡(luò)協(xié)作式濾波模型；

將由對所述深度神經(jīng)網(wǎng)絡(luò)協(xié)作式濾波模型的所述訓(xùn)練產(chǎn)生的洛吉值用作余量來提升所述提升決策樹模型中的一個或多個樹；

使用來自所述深度神經(jīng)網(wǎng)絡(luò)協(xié)作式濾波模型的特征和來自所述提升決策樹模型的特征來訓(xùn)練所述預(yù)測層；

確定是否滿足一組匯聚準(zhǔn)則；以及

響應(yīng)于確定未滿足所述組匯聚準(zhǔn)則而：

使用所述提升決策樹模型中的所述特征來重新訓(xùn)練所述深度神經(jīng)網(wǎng)絡(luò)協(xié)作式濾波模型；以及

重復(fù)所述提升、訓(xùn)練、確定和重新訓(xùn)練直到滿足所述組匯聚準(zhǔn)則為止。

2.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述GLMM從社交網(wǎng)絡(luò)服務(wù)取得成員信息和職位名稱信息，并輸出關(guān)于對應(yīng)于所述成員信息的成員是否將申請對應(yīng)于所述職位名稱信息的職位發(fā)布的預(yù)測值。

3.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述提升決策樹模型具有至少兩個樹，一個樹對應(yīng)于成員信息且一個樹對應(yīng)于職位名稱信息。

4.根據(jù)權(quán)利要求2所述的系統(tǒng)，其中所述指令進一步致使所述系統(tǒng)：

將對應(yīng)于所述社交網(wǎng)絡(luò)服務(wù)中的多個職位發(fā)布的所述成員信息和職位名稱信息傳遞到所述GLMM以獲得多個預(yù)測值；以及

通過計算機顯示器向所述成員顯示關(guān)于具有產(chǎn)生所述預(yù)測值中的最高預(yù)測值的職位名稱信息的職位發(fā)布的信息。

5.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述深度神經(jīng)網(wǎng)絡(luò)協(xié)作式濾波模型具有兩個身份標(biāo)識嵌入網(wǎng)絡(luò)，一個用于成員信息且一個用于職位信息。

6.根據(jù)權(quán)利要求5所述的系統(tǒng)，其中用于所述成員信息的所述身份標(biāo)識嵌入網(wǎng)絡(luò)與用于所述職位信息的所述身份標(biāo)識嵌入網(wǎng)絡(luò)具有相同結(jié)構(gòu)。

7.根據(jù)權(quán)利要求6所述的系統(tǒng)，其中用于所述成員信息的所述身份標(biāo)識嵌入網(wǎng)絡(luò)具有取得稀疏分類特征的輸入層、將每個分類特征投射到密集本征向量中的嵌入層、串接并連接所述密集本征向量的一個或多個隱蔽層、其中映射所述一個或多個隱蔽層的實體表示層，和對所述實體表示層中的實體執(zhí)行阿達馬積的阿達馬積層。

8.一種計算機化方法，包括：

將提升決策樹模型中的特征初始化成零，所述提升決策樹模型定位于GLMM中且通過預(yù)測層連接到深度神經(jīng)網(wǎng)絡(luò)協(xié)作式濾波模型；

在所述提升決策樹模型中的所述特征保持是零時，訓(xùn)練所述深度神經(jīng)網(wǎng)絡(luò)協(xié)作式濾波模型；

將由對所述深度神經(jīng)網(wǎng)絡(luò)協(xié)作式濾波模型的訓(xùn)練產(chǎn)生的洛吉值用作余量來提升所述提升決策樹模型中的一個或多個樹；

使用來自所述深度神經(jīng)網(wǎng)絡(luò)協(xié)作式濾波模型的特征和來自所述提升決策樹模型的特征來訓(xùn)練所述預(yù)測層；

確定是否滿足一組匯聚準(zhǔn)則；以及

響應(yīng)于確定未滿足所述組匯聚準(zhǔn)則而：

使用所述提升決策樹模型中的所述特征來重新訓(xùn)練所述深度神經(jīng)網(wǎng)絡(luò)協(xié)作式濾波模型；以及

重復(fù)所述提升、訓(xùn)練、確定和重新訓(xùn)練直到滿足所述組匯聚準(zhǔn)則為止。

9.根據(jù)權(quán)利要求8所述的方法，其中所述GLMM從社交網(wǎng)絡(luò)服務(wù)取得成員信息和職位名稱信息，并輸出關(guān)于對應(yīng)于所述成員信息的成員是否將申請對應(yīng)于所述職位名稱信息的職位發(fā)布的預(yù)測值。

10.根據(jù)權(quán)利要求8所述的方法，其中所述提升決策樹模型具有至少兩個樹，一個樹對應(yīng)于成員信息且一個樹對應(yīng)于職位名稱信息。