[发明专利]用于成员搜索的非线性模型

说明书

一种系统和方法，包括：接收搜索查询，以及从数据库获得成员的成员数据。对于多个非线性模型中的每个非线性模型，基于特性与条件的比较来遍历非线性模型以获得分数，其中，在各非线性模型之中，至少一个特性是基于以下各项中的至少一项而推断的特性：成员在在线网络系统中的活动；以及成员在在线网络系统中的连接。对从非线性模型中的每个非线性模型获得的分数进行组合以获得经组合分数，并且用户界面至少部分地基于经组合分数来显示与成员相关的信息。

技术领域

概括地说，本文所公开的主题内容涉及用于成员搜索的非线性模型。

背景技术

出于各种目的，招聘者(包括职位招聘者)可以利用在线社交网络系统来识别职位的候选者。通常，招聘者可以浏览简档并编制潜在人员的列表。招聘者随后可以使用若干种通信介质中的一种以关于该职位的信息来联系潜在人员中的一些或全部。回复该通信的潜在人员随后可以例如利用现场会议和面试来进入常规招聘过程。

附图说明

在附图中通过示例而非限制性的方式示出了一些实施例。

图1是与一些示例一致地示出了在线社交网络系统的各种组件或功能模块的框图。

图2是对示例性实施例中由社交网络系统提供的用户界面的简要描绘。

图3是示例性实施例中的招聘者搜索引擎的框图。

图4是对示例性实施例中被实现为搜索树的非线性模型的图形说明。

图5A和图5B示出了用于在线社交网络系统的两个不同成员的示例性搜索树的不同遍历。

图6是用于在示例性实施例中在成员搜索中应用非线性模型的流程图。

图7是示出了能够从机器可读介质中读取指令的机器的各组件的框图。

具体实施方式

示例性方法和系统涉及用于成员搜索的非线性模型。各示例仅仅代表可能的变型。除非另外明确指出，否则各组件和功能是可选的并且可以进行组合或细分，并且各操作可以在顺序上不同或者进行组合或细分。在以下描述中，出于解释的目的，阐述了众多具体的细节以提供对示例性实施例的透彻理解。然而，对于本领域技术人员将显而易见的是，可以在没有这些具体细节的情况下实践本文的主题内容。

招聘者可以指定该招聘者对于特定职位所期望的在线社交网络系统的成员的特定特性。通常，招聘者可以指定可以在成员简档中找到的期望特性，例如教育、当前和过去职位名称、经验年数、地点等等(本文中被称为“内容特性”)，以及与成员在该在线社交网络系统上的活动相关的期望特性，例如在该在线社交网络系统上的活动数量或比率，成员是否在寻求新职位，成员是否已申请新职位等等(本文中被称为“上下文特性”)。在这种常规系统中，搜索引擎可以将输入特性与存储在数据库中的数据交叉参照，并基于匹配的特性的数量和类型来输出在线社交网络系统的作为该职位的潜在候选者的一个或多个成员的列表。

然而，这种常规候选者搜索系统在其范围上会显著受限，即，受限于接收到的搜索术语的特性、以及对那些特性进行交叉参考的方式和对照其来交叉参考那些特性的数据。这种常规搜索系统可以简单地搜遍存储在在线社交网络系统的数据库中的各个特性并输出结果而不管那些特性之间的关系以及一个特性如何会使另一特性与所讨论的职位更加相关或更不相关。因此，这种搜索可能相对无重点，无效地利用计算资源来交叉参考相对不太相关的特性，同时还输出可能不是针对职位的最佳候选者的搜索结果。