[发明专利]用于职位推荐的具深度和宽度的机器学习模型

权利要求书

1.一种系统，包括：

存储广义线性混合模型（GLMM）的存储器，所述GLMM包括通过预测层连接的深度神经网络协作式滤波模型与提升决策树模型；以及

计算机可读媒体，在上面存储有指令，所述指令在由处理器执行时致使所述系统：

将所述提升决策树模型中的特征初始化成零；

在所述提升决策树模型中的所述特征保持是零时训练所述深度神经网络协作式滤波模型；

将由对所述深度神经网络协作式滤波模型的所述训练产生的洛吉值用作余量来提升所述提升决策树模型中的一个或多个树；

使用来自所述深度神经网络协作式滤波模型的特征和来自所述提升决策树模型的特征来训练所述预测层；

确定是否满足一组汇聚准则；以及

响应于确定未满足所述组汇聚准则而：

使用所述提升决策树模型中的所述特征来重新训练所述深度神经网络协作式滤波模型；以及

重复所述提升、训练、确定和重新训练直到满足所述组汇聚准则为止。

2.根据权利要求1所述的系统，其中所述GLMM从社交网络服务取得成员信息和职位名称信息，并输出关于对应于所述成员信息的成员是否将申请对应于所述职位名称信息的职位发布的预测值。

3.根据权利要求1所述的系统，其中所述提升决策树模型具有至少两个树，一个树对应于成员信息且一个树对应于职位名称信息。

4.根据权利要求2所述的系统，其中所述指令进一步致使所述系统：

将对应于所述社交网络服务中的多个职位发布的所述成员信息和职位名称信息传递到所述GLMM以获得多个预测值；以及

通过计算机显示器向所述成员显示关于具有产生所述预测值中的最高预测值的职位名称信息的职位发布的信息。

5.根据权利要求1所述的系统，其中所述深度神经网络协作式滤波模型具有两个身份标识嵌入网络，一个用于成员信息且一个用于职位信息。

6.根据权利要求5所述的系统，其中用于所述成员信息的所述身份标识嵌入网络与用于所述职位信息的所述身份标识嵌入网络具有相同结构。

7.根据权利要求6所述的系统，其中用于所述成员信息的所述身份标识嵌入网络具有取得稀疏分类特征的输入层、将每个分类特征投射到密集本征向量中的嵌入层、串接并连接所述密集本征向量的一个或多个隐蔽层、其中映射所述一个或多个隐蔽层的实体表示层，和对所述实体表示层中的实体执行阿达马积的阿达马积层。

8.一种计算机化方法，包括：

将提升决策树模型中的特征初始化成零，所述提升决策树模型定位于GLMM中且通过预测层连接到深度神经网络协作式滤波模型；

在所述提升决策树模型中的所述特征保持是零时，训练所述深度神经网络协作式滤波模型；

将由对所述深度神经网络协作式滤波模型的训练产生的洛吉值用作余量来提升所述提升决策树模型中的一个或多个树；

使用来自所述深度神经网络协作式滤波模型的特征和来自所述提升决策树模型的特征来训练所述预测层；

确定是否满足一组汇聚准则；以及

响应于确定未满足所述组汇聚准则而：

使用所述提升决策树模型中的所述特征来重新训练所述深度神经网络协作式滤波模型；以及

重复所述提升、训练、确定和重新训练直到满足所述组汇聚准则为止。

9.根据权利要求8所述的方法，其中所述GLMM从社交网络服务取得成员信息和职位名称信息，并输出关于对应于所述成员信息的成员是否将申请对应于所述职位名称信息的职位发布的预测值。

10.根据权利要求8所述的方法，其中所述提升决策树模型具有至少两个树，一个树对应于成员信息且一个树对应于职位名称信息。