馈送中的个性化的每成员模型
    1.
    发明公开

    公开(公告)号:CN110175297A

    公开(公告)日:2019-08-27

    申请号:CN201910121550.1

    申请日:2019-02-19

    Abstract: 在示例实施例中,利用GLMix模型,所述GLMix模型对馈送条目的观察者和行动者进行建模。这允许在不引入偏差的情况下考虑个体观看者和行动者的随机效应。另外,在示例实施例中,通过使用三个模型(然后其进行组合)而不是单个GLMix模型,使得预测/推荐更准确。这些模型中的每一个都具有不同的粒度和尺寸。全局模型可以对用户属性(例如,来自成员简档或活动历史)和条目属性之间的相似性进行建模。每观看者模型可以对馈送条目上的行动者的用户属性和活动历史进行建模。每行动者模型可以对馈送条目的观看者的用户属性和活动历史进行建模。因此,每行动者模型可以依赖于关于如下的信息:什么类型的观看者与由特定行动者所作用的条目交互以及如何与其进行交互。

    简化机器学习的特征移除框架
    3.
    发明公开

    公开(公告)号:CN113743615A

    公开(公告)日:2021-12-03

    申请号:CN202110585014.4

    申请日:2021-05-27

    Abstract: 所公开的实施例提供了一种用于简化机器学习的系统。在操作期间,系统确定针对机器学习模型的基线版本的资源开销,所述机器学习模型使用特征的集合来产生实体排名的;并确定待移除以将资源开销降低到目标资源开销的特征的数量。接下来,该系统计算针对特征的重要性分数,其中每个重要性分数代表对应特征对实体排名的影响。该系统然后将待移除的特征的第一子集识别为具有最低重要性分数的多个特征;并使用排除特征的第一子集的特征的第二子集来训练机器学习模型的简化版本。最后,该系统执行简化版本以产生新的实体排名。

Patent Agency Ranking