CN108604247A

CN108604247A - 目标导航

Info

Publication number: CN108604247A
Application number: CN201680080880.5A
Authority: CN
Inventors: 王栋; 夏云庆; 刘学; 俞泓
Original assignee: Microsoft Technology Licensing LLC
Current assignee: Microsoft Technology Licensing LLC
Priority date: 2016-12-30
Filing date: 2016-12-30
Publication date: 2018-09-28
Also published as: WO2018120123A1

Abstract

本公开提供了用于导航到目标的方法、装置和系统。可以在多个节点中确定起始节点和目标节点。每个节点与至少一个训练样本相关联。每个训练样本与至少一个个体属性相关联。可以利用机器学习模型基于与第一节点相关联的训练样本来计算与关联于第一节点的个体属性有关的一个或多个权重。所述权重可以被配置为将第一节点导航到第二节点。可以提供关于从所述起始节点导航到所述目标节点的至少一条路径的信息，该信息是基于与关联于所述路径上设置的至少一个节点的个体属性有关的权重来提供的。

Description

目标导航

背景技术

人们可能在他们的工作和生活中具有各种目标，并且希望知道如何实现这些目标。例如，一些人可能具有职业目标，并且想要获得关于如何实现职业目标的建议。职业导航服务可以帮助用户识别达到其期望的职业目标的路径。通常，如果一个用户提交了目标工作，则职业导航服务可以将该用户关联于基于已实现该目标工作的现实生活中的人的角色模型。职业导航服务可以向该用户提供该现实生活中的人的职业路径以作为用于实现目标工作的建议。这个职业路径是基于该现实生活中的人的经历的。

发明内容

提供本发明内容以便介绍一组概念，这组概念将在以下的具体实施方式中做进一步描述。本发明内容并非旨在标识所保护主题的关键特征或必要特征，也不旨在用于限制所保护主题的范围。

本公开的实施例可以通过数据挖掘和机器学习，基于大量训练样本来建立目标导航建议模型。目标导航建议模型可以包括关于实现各种目标的要求的信息。可以基于目标导航建议模型来提供目标导航服务。

应当注意，以上一个或多个方面包括以下详细描述以及权利要求中具体指出的特征。下面的说明书及附图详细提出了所述一个或多个方面的某些说明性特征。这些特征仅仅指示可以实施各个方面的原理的多种方式，并且本公开旨在包括所有这些方面和其等同变换。

附图说明

以下将结合附图描述所公开的多个方面，这些附图被提供用以说明而非限制所公开的多个方面。

图1示出了用于提供目标导航的示例性应用场景。

图2是根据实施例的用于提供职业目标导航的示例性方法的流程图。

图3A示出了根据实施例的职业目标导航的示例性呈现。

图3B示出了根据实施例的职业目标导航的示例性呈现。

图4示出了根据实施例的职业目标导航的示例性呈现。

图5是根据实施例的用于提供职业目标导航的示例性方法的流程图。

图6是根据实施例的用于生成与工作职位相关联的规则的示例性处理的流程图。

图7是根据实施例的用于在多个节点间导航的示例性方法的流程图。

图8是根据实施例的示例性方法的流程图。

图9示出了根据实施例的用于在多个节点间导航的示例性装置。

图10示出了根据实施例的用于导航到目标的示例性装置。

图11示出了根据实施例的示例性系统。

图12示出了根据实施例的用于提供目标导航的示例性系统。

具体实施方式

现在将参考多种示例性实施方式来讨论本公开。应当理解，这些实施方式的讨论仅仅用于使得本领域技术人员能够更好地理解并从而实施本公开的实施例，而并非教导对本公开的范围的任何限制。

本公开的实施例可以提供一种目标导航系统。目标导航系统可以被配置为用于提供目标导航服务。在一些实施方式中，目标导航系统可以通过数据挖掘和机器学习，基于大量训练样本来建立目标导航建议模型。训练样本可以指包含个体的各种属性的数据，并且可以被用作数据挖掘的源数据和机器学习的训练数据。目标导航建议模型可以包括关于实现各种目标的要求的信息。在一些实施方式中，目标导航系统可以提供关于如何实现被查询的目标的建议。例如，如果用户正在查询如何实现一个目标，则目标导航系统可以基于目标导航建议模型来提供关于通往该目标的至少一条路径的信息。

图1示出了用于提供目标导航的示例性应用场景100。

在图1中，将网络110用于对各种网络实体进行互联。网络110可以是能够对网络实体进行互联的任何类型的网络。网络110可以是单个网络或者不同网络的组合。在覆盖范围方面，网络110可以是局域网(LAN)、广域网(WAN)等。在承载介质方面，网络110可以是有线网络或无线网络。在数据交换技术方面，网络110可以是电路交换网络、分组交换网络等。

终端设备120可以是任何类型的电子计算设备，其能够连接到网络110、访问网络110上的服务器或网站、处理数据或信号等。例如，终端设备120可以是台式计算机、笔记本、平板电脑、智能电话等。尽管图1中仅示出一个终端设备120，但是应当理解，任何其它终端设备也可以连接到网络110。

目标导航系统130连接到网络110。目标导航系统130被配置为用于提供目标导航服务。目标导航系统130可以包括目标导航搜索引擎132、模型建立单元134和目标导航数据库136。

目标导航搜索引擎132可以与用户交互并提供关于如何实现用户查询的目标的建议。模型建立单元134可以通过数据挖掘和机器学习，基于大量训练样本来建立目标导航建议模型。目标导航数据库136可以存储由目标导航搜索引擎132用来提供建议的信息，例如目标导航建议模型。

如果终端设备120的用户向目标导航搜索引擎132提交关于目标的查询，则目标导航搜索引擎132可以基于存储在目标导航数据库136中的目标导航建议模型来获得关于如何实现目标的信息，并将该信息作为建议提供给终端设备120的用户。

尽管在图1中示出了目标导航搜索引擎132、模型建立单元134和目标导航数据库136被包括在目标导航系统130中，但是应当理解，目标导航搜索引擎132、模型建立单元134和目标导航数据库136中的任何一个可以与目标导航系统130分离。例如，模型建立单元134可以是单个网络实体，因此建立目标导航建议模型的功能可以与目标导航系统130分离。在此情况下，目标导航系统130可接收并存储由模型建立单元134建立的目标导航建议模型。

图1中的样本源140指可以提供训练样本的各种数据源。这些训练样本可以由模型建立单元134用于建立目标导航建议模型。样本源140可以是包含训练样本并连接到网络110的单个数据库，或者是可以基于用户的访问来获得训练样本的服务器的一部分。

应当理解，图1中示出的所有网络实体都是示例性的，根据具体应用需求，应用场景100中可以涉及任何其它网络实体。

可以采用各种方式来应用根据本公开的实施例的目标导航系统。例如，在一些实施例中，目标导航系统可以被应用于提供职业目标导航。为了便于解释一些示例性实施例的技术细节，以下描述将以职业目标导航为例。然而，应当理解，本公开并不以任何方式局限于职业目标导航。

图2是根据实施例的用于提供职业目标导航的示例性方法200的流程图。方法200可以由根据本公开实施例的目标导航系统用于提供关于如何实现职业目标的建议。

在一种实施方式中，方法200可以由用户通过终端设备向目标导航系统提交的查询来触发，其中，用户可能想要知道如何实现职业目标，例如，目标工作职位。在另一种实施方式中，目标导航系统可以主动地执行关于如何从起始工作职位到达目标工作职位的查询。在另一种实施方式中，方法200可以由预加载或下载到用户的终端设备的客户端应用通过与目标导航系统的交互来执行。

方法200在202处开始，并且进行到204。在204处，可以确定起始工作职位和目标工作职位。起始工作职位可以是用户的当前工作职位，目标工作职位可以是职业目标。此处，“工作职位”也可以被称为“节点”或“里程碑(milestone)”。节点或里程碑可以指示沿着轨迹的关键位置或点。例如，在职业目标导航的场景中，“节点”可以指沿着职业路径的“工作职位”。

在一种实施方式中，方法200可以由用户通过终端设备向目标导航系统提交的关于如何达到目标工作职位的查询来触发。用户可能当前处在一个工作职位，例如，起始工作职位。在一些情况下，目标导航系统可以从用户的注册信息确定起始工作职位。例如，用户可能已经在提供目标导航服务的网站上注册，并且向网站提交了至少包括当前工作职位的个体简档。因此，当用户登录网站时，目标导航系统可以从用户的注册信息中至少检索出用户的当前工作职位以作为起始工作职位。在其它情况下，目标导航系统可以获得用户连同查询一起输入的起始工作职位。目标导航系统可以进一步从查询中确定目标工作职位。

在另一种实施方式中，方法200可以由目标导航系统主动执行的查询所触发。在此情况下，目标导航系统已经知道起始工作职位和目标工作职位。

在另一种实施方式中，预加载或下载到用户的终端设备的客户端应用可以从用户的注册信息中确定起始工作职位，或者接收用户输入的起始工作职位。客户端应用还可以从用户的查询中确定目标工作职位。客户端应用可以通过网络将起始工作职位和目标工作职位发送到目标导航系统。

在206处，可以确定关于从起始工作职位导航到目标工作职位的至少一条路径的信息。

在一种实施方式中，起始工作职位和目标工作职位可以用于根据路径导航建议模型来构建一条或多条路径。在一些情况下，可以构建从起始工作职位直接导航到目标工作职位的路径。在其它情况下，在起始工作职位和目标工作职位之间可能存在一个或多个中间工作职位，因此可以找到包括起始工作职位、一个或多个中间工作职位和目标工作职位的路径。还可以从路径导航建议模型获得关于路径的信息。关于路径的信息可以包括路径上的一个工作职位被导航到路径上的另一个工作职位的概率。关于路径的信息还可以包括与路径上的至少一个工作职位相关联的个体属性和个体属性的权重。此处，“个体属性”涉及个人属性。在职业目标导航的场景中，个体属性可以指用户的技能、教育、工作经历以及其它相关属性。

在208处，可以呈现路径信息。例如，可以将在206处确定的信息的全部或一部分呈现给正在查询的用户。从而，用户可以例如在终端设备的显示屏上观看所呈现的信息，并因此获得关于如何实现他正在查询的职业目标的建议。可以以各种方式来呈现信息。例如，可以在一个或多个图形中或在一个或多个表格中呈现信息、一次呈现全部信息、或者逐步呈现信息等。

在一些实施方式中，在呈现路径信息之后，可以进一步向用户推送通知。通知可以包括用于提示用户努力实现职业目标的提醒、关于还有多远才能够实现职业目标的信息等。

在一些实施方式中，可以动态地执行用于提供职业目标导航的方法200。例如，在呈现路径信息之后，可以基于用户的表现来监视用户的状态。如果检测到用户的状态更新了，例如，到达新的工作职位，则该新的工作职位可以被用作更新的起始工作职位，从而，通过方法200，可以呈现更新的路径信息。此外，还可以基于关于用户状态的更新的信息来动态地更新目标导航系统的路径导航建议模型。

下面，将结合图3A、图3B和图4来进一步解释路径信息的呈现。

图3A示出了根据实施例的职业目标导航的示例性呈现300a。在起始工作职位是“大学生”并且目标工作职位是“软件测试工程师(STE)”的情况下，目标导航系统可以提供图形形式的呈现300a以作为建议。例如，此处，大学生可以指主修计算机科学专业的大学生。

如图3A所示，目标导航系统建议了从大学生到STE的两条可能的路径。第一路径由包括大学生310、支持工程师实习生312、支持工程师314和STE 320的四个连续工作职位所构成。第二路径由包括大学生310、软件开发工程师(SDE)实习生316、SDE 318和STE 320的四个连续工作职位所构成。

呈现300a可以包括关于在任何两个连续工作职位之间的导航，或被称为“转换”，的信息。例如，块330示出了关于从大学生310到支持工程师实习生312的转换的信息。该信息可以包括大学生310被导航到支持工程师实习生312的概率，例如“40％”。也就是说，主修计算机科学专业的大学生可能具有“40％”的概率成为支持工程师实习生。该信息可以包括实现该转换所需的个体属性和个体属性的权重。块330中示出的个体属性可以用于指示用户应该具有何种类型的属性，以使得用户可以从大学生310转换到支持工程师实习生312。个体属性的权重可以指示个体属性在转换中的重要性。块330示出了个体属性“网络安全”及其权重“0.462”、个体属性“故障排除”及其权重“0.458”、个体属性“Windows服务器”及其权重“0.315”、以及个体属性“数据优化”及其权重“0.132”等。

此外，呈现300a还包括块332、334、336、338和340，以用于示出关于相应转换的信息。

在一种实施方式中，可以一次显示全部块330至340。在另一种实施方式中，可以首先隐藏块330至340，并且当用户点击或指向转换的连线时，示出相应的块。

此处，个体属性可以指技能、教育、工作经历等。例如，在块330中的“网络安全”、“故障排除”、“Windows服务器”是技能，块334中的“硕士学位”是教育程度，块340中的“3年软件开发经历”是一种工作经历。

块330至340中的每一个可以示出实现相应转换所需的所有个体属性，或者仅示出这些个体属性中的一个或多个，例如权重最高的5或10个个体属性。

尽管块330至340中的每一个示出了个体属性的权重，但是权重也可以被隐藏。

尽管在块330至340中示出了概率的值，但是也可以以任何其它方式来示出或指示概率。例如，可以由两个连续工作职位之间的连线的颜色来指示概率。不同的颜色可以指示不同的概率。此外，例如，可以由两个连续工作职位之间的连线的粗细来指示概率。较粗的连线可以指示较高的概率。在一些实施方式中，也可以在呈现300a中隐藏概率。

尽管图3A中示出了从大学生到STE的完整的两条路径，但是应当理解，可以单独地示出这两条路径，并且也可以单独地，例如逐步地，示出路径中的每个转换。例如，取代示出由310、312、314和320构成的整个路径，呈现300可以首先示出从310到312的转换，并且响应于来自用户的指令，进一步示出从312到314的下一转换等等。

此外，尽管未在图3A中明确示出，还可以将相关课程与个体属性相关联。例如，可以将连到相关课程的超链接示出在相应的个体属性旁边。

图3B示出了根据实施例的职业目标导航的示例性呈现300b，其采用了与呈现300a不同的图形形式。在起始工作职位是“大学生”并且目标工作职位是“研究软件开发工程师(RSDE)”的情况下，可以由目标导航系统提供呈现300b以作为建议。

如图3B所示，目标导航系统建议了从大学生到RSDE的两条可能的路径。第一路径由包括大学生350、研究员实习生352和RSDE 360的三个连续工作职位所构成。第二路径由包括大学生350、SDE实习生354和RSDE360的三个连续工作职位所构成。

呈现300b可以包括关于在任何两个连续的工作职位之间的导航，或被称为“转换”，的信息。例如，区域370示出关于从大学生350到研究员实习生352的转换的信息。可以通过例如指向大学生350和研究员实习生352之间的转换的连线的用户操作来触发区域370中的信息的示出。也可以以类似的方式示出关于其它转换的信息。

区域370中的信息可以包括个体属性和相应的权重。个体属性可以是例如“C#”、“C++”、“数据结构”、“软件开发”等。个体属性的权重由进度条示出，而不是如图3A所示的具体数字。此外，也可以在区域370中示出相关课程。例如，“C#”旁边的文本“[课程]”可以是连到关于C#的课程的超链接，因此，如果用户点击文本“[课程]”，则用户可以被重定向到，例如，相关的在线课程。

区域370可以示出实现相应转换所需的所有个体属性，或者仅示出这些个体属性中的一个或多个，例如权重最高的5或10个个体属性。尽管区域370示出了个体属性的权重，但是权重也可以被隐藏。

尽管在呈现300b中没有明确地示出每个转换的概率的值，但是也可以以任何方式来附加地示出或指示概率。例如，可以由两个连续工作职位之间的连线的颜色来指示概率。不同的颜色可以指示不同的概率。此外，例如，可以由两个连续工作职位之间的连线的粗细来指示概率。较粗的连线可以指示较高的概率。

尽管在图3B中示出了从大学生到RSDE的完整的两条路径，但是应当理解，可以单独地示出这两条路径，并且也可以单独地，例如逐步地，示出路径中的每个转换。例如，取代示出由350、352和360构成的整个路径，呈现300b可以首先示出从350到352的转换，并且响应于来自用户的指令，进一步示出从352到360的下一转换。

图4示出了根据实施例的职业目标导航的示例性呈现400。呈现400采用了表格形式，可以被视为图形形式的呈现300a的变形。

呈现400包括两组表格，每组表格示出从大学生到STE的路径。第一组表格包括示出了关于从大学生到支持工程师实习生的转换的信息的表格410，示出了关于从支持工程师实习生到支持工程师的过渡的信息的表格420，以及示出了关于从支持工程师到STE的转换的信息的表格430。第二组表格包括示出了关于从大学生到SDE实习生的转换的信息的表格440，示出了关于从SDE实习生到SDE的转换的信息的表格450，以及示出了关于从SDE到STE的转换的信息的表格460。表格410至460中的每一个表格内的信息分别类似于图3A中的块330至340中的信息。

可以以与上述呈现300a类似的方式，在呈现400中隐藏概率、个体属性和权重中的任意一个。此外，尽管一次示出了两条路径中的全部表格，但是也可以逐步地示出每条路径中的表格。

应当理解，图3A、图3B和图4中所示的呈现是示例性的。本公开的实施例并不局限于这些示例性呈现。根据实际应用需求，可以调整、替换或隐藏图3A、图3B和图4中的任何元素。此外，除了图3A、图3B中的图形形式和图4中的表格形式外，目标导航系统可以采用适合于示出关于路径中的转换的信息的任何其它形式，以用于呈现职业目标导航的建议。

图5是根据实施例的用于提供职业目标导航的示例性方法500的流程图。方法500可以由目标导航系统执行，以用于通过数据挖掘和机器学习基于大量训练样本来生成目标导航建议模型。

方法500在502处开始，并且进行到504。在504处，可以获得多个训练样本。每个训练样本可以与各种个体属性相关联，并且可以与至少一个节点相关联。在职业目标导航的场景中，“训练样本”可以指用户的个体简档，并且与训练样本相关联的个体属性可以指从个体简档中识别的任何信息，例如用户的技能、教育、工作经历和其它相关属性。

在一些实施方式中，可以从社交网络网站或在线职业网络，例如LinkedIn、Facebook、Google+等，获得训练样本。以LinkedIn为例，如果用户创建LinkedIn帐户，则用户可以创建并更新包括个人信息的训练样本，例如个体简档。个体简档可以包括用户的技能、教育、工作经历、概述和其它相关属性。“技能”可以包括用户当前或过去具有的职业技能。“教育”可以包括所在学校、专业、学位、时间段等。“工作经历”可以包括工作所在的公司、工作职位、工作描述、时间段等。概述可以是包括关于例如用户的自我介绍、奖励、社交活动等的信息的一段文本。随着用户数量的增加，LinkedIn正在维护巨大数量的个体简档。方法500可以获得这些个体简档中的至少一部分，以用于进一步生成目标导航建议模型。

在506处，可以从训练样本中提取工作职位和个体属性。

在一种实施方式中，可以从每个训练样本中直接提取工作职位和个体属性。例如，可以从训练样本中提取至少一个工作职位以作为节点。此外，还可以从训练样本中提取个体属性，例如技能、所在学校、学位、工作所在的公司等。

在另一种实施方式中，可以基于语义分析从每个训练样本中的文本段中提取工作职位和个体属性。训练样本可以包括由用户自由输入的文本段，例如包括在训练样本的概述、工作经历等中的一些文字段落。以概述为例，如上所述，概述可以包括关于自我介绍、奖励、社交活动等的信息。概述中的信息也可以有助于建立目标导航建议模型并提供关于职业目标导航的建议。例如，如果概述记载了用户曾在作为财富500强公司的微软公司工作，则可以提取个体属性“曾为财富500强公司工作”。如果概述记载了用户曾在软件公司负责构建软件产品，则可以提取个体属性“3年软件开发经历”。如果概述记载了用户曾管理10人的团队，则可以提取个体属性“团队管理经历”。类似地，可以从概述中提取各种个体属性。

本公开的实施例可以采用各种方式来从训练样本中的文本段里提取工作职位和个体属性。在一种实施方式中，可以将潜在狄利克雷分配(LDA)技术用于从文本段中提取个体属性。

LDA是采用无监督学习的文档主题生成模型。每个文档可以被视为一组主题，并且每个主题可以被视为一组词语。LDA可以用于基于文档、主题和词语之间的概率分布来识别文档的主题，其中，每个主题可以是关键词/短语的聚类。在一些情况下，可以与预设的标记库相结合地应用LDA。可以通过将关键词/短语与相应的主题描述相关联来经验性地生成标记库。因此，当LDA识别主题时，可以通过关键词/短语匹配来从标记库中确定相应的主题描述。

当在本公开的实施方式中应用LDA时，每个文本段可以被视为一个文档。可以基于关于职业目标导航的知识而经验性地生成标记库。例如，可以将一列财富500强公司编译成对应于主题描述“为财富500强公司工作”的一组关键词；可以将例如“在软件公司负责构建软件产品”的一组短语编译成对应于主题描述“3年软件开发经历”的一组关键短语；可以将例如“管理10人的团队”、“管理5-10人的团队”等的一组短语编译成对应于主题描述“团队管理经历”的一组关键短语。通过结合标记库来应用LDA，可以从训练样本中的文本段里提取出工作职位和个体属性。

尽管上面解释了从文本段中提取工作职位和个体属性的处理，但是应当理解，该处理是包括在优选实施例中的，而对于本公开的其它实施例不是必需的。

在508处，可以对工作职位或个体属性进行标准化。

在一些情况下，从训练样本中提取的工作职位或个体属性并未采用标准化的形式。例如，当用户输入文本以描述他们的工作职位时，这些用户可能对于相同的工作职位而输入了各种名称。以“SDE”为例，一些用户可能使用词语“软件工程师”，一些用户可能使用缩写“SDE”，其他用户可能使用缩写“SWE”。然而，所有这些名称都应当对应于相同的工作职位“SDE”。同样的问题可能发生在一些个体属性中，例如，公司名称、学校名称等。因此，对工作职位或个体属性进行标准化、并且避免将相同工作职位或个体属性的不同名称视为不同工作职位或个体属性将是有益的，这可以进一步提高所要生成的目标导航建议模型的准确性。

本公开的实施例可以采用各种方式来对工作职位或个体属性进行标准化。在一种实施方式中，可以将K均值聚类算法和卷积深度结构化语义模型(CDSSM)工具的组合用于对工作职位或个体属性进行标准化。

可以将CDSSM工具用于生成工作职位或个体属性的深度语义向量。可以将K均值聚类算法进一步用于对工作职位或个体属性的深度语义向量进行聚类。可以将深度语义向量的每个聚类视为与相同的工作职位或个体属性相关，并且因此可以给予标准化的名称。例如，可以通过CDSSM工具来生成“软件工程师”、“SDE”和“SWE”的深度语义向量，然后通过K均值聚类算法而聚类在一起。该深度语义向量的聚类可以被统一称为“SDE”。

尽管上面解释了对工作职位或个体属性进行标准化的处理，但是应当理解，该处理是包括在优选实施例中的，而对于本公开的其它实施例不是必需的。

在510处，基于个体属性来识别工作职位之间的转换。

此处，工作职位可以是训练样本中的节点。也就是说，训练样本中的每个工作职位可以是用户的一个节点。如果训练样本中的第一工作职位被识别为导航到训练样本中的第二工作职位，则可以相应地识别出这两个工作职位之间的转换。类似地，可以识别出训练样本中的工作职位之间的一组转换。

在512处，可以做出是否存在下一转换的判断，由此可以针对一组转换中的所有转换来迭代以下过程。

如果在512处确定存在下一转换，则方法500前进到514。可以假设在512处确定的转换指示了从第一工作职位到第二工作职位的转换。

在514处，可以确定与在512处确定的转换的第一工作职位相关联的训练样本。在一种实施方式中，可以从在504处获得的训练样本中选择识别出第一工作职位的所有训练样本。例如，如果该转换指示从“大学生”到“支持工程师实习生”的转换，则在514处可以选择识别出工作职位“大学生”的所有训练样本。

在516处，可以为该转换确定训练数据集。训练数据集可以包括在514处确定的训练样本的属性向量和标签。

可以基于训练样本的个体属性来生成属性向量。在一种实施方式中，可以将属性向量的维度预先确定为覆盖在504处获得的训练样本的所有个体属性。在另一种实施方式中，可以将属性向量的维度预先确定为覆盖在504处获得的训练样本的所有个体属性以及一个或多个可预测的个体属性。在另一种实施方式中，可以基于在514处确定的训练样本的个体属性来确定属性向量的维度。可以基于是否在训练样本中识别出从第一工作职位到第二工作职位的转换来生成标签。

对于第i个训练样本，可以基于第i个训练样本的个体属性来生成属性向量(a_i1，a_i2，...a_in)，其中，属性向量是具有n个维度的向量。此外，如果在第i个训练样本中识别出第一工作职位和第二工作职位两者，例如，在第i个训练样本中识别出转换，则可以生成标签＝1，否则，可以生成标签＝0。

表1示出了训练数据集的生成的示例。假设转换为从“大学生”到“支持工程师实习生”，训练样本来自“Bob”、“Tom”、“Jack”等，个体属性包括“C++”、“Java”、“网络安全”、“硕士学位”等。

表1

表1中的第一列示出了训练样本的用户。表1中的第二列示出了针对训练样本所生成的标签，其中，“1”指示从相应的训练样本中识别出了转换，“0”指示没有从相应的训练样本中识别出转换。表1中的第三列和后面的列示出了个体属性a₁、a₂、...a_n，其中，“1”指示相应的训练样本包括个体属性，“0”指示相应的训练样本不包括个体属性。由此，可以为Bob训练样本生成属性向量(1,0,1,1...)，相应的标签为“1”。可以为Tom训练样本生成属性向量(1,1,0,1...)，相应的标签为“0”。可以为Jack训练样本生成属性向量(0,1,1,1...)，相应的标签为“1”。

针对表1中的每个训练样本所生成的属性向量和标签的集合可以构成用于该转换的训练数据集。

在518处，可以计算实现例如第一工作职位被导航到第二工作职位的转换的概率。

在一种实施方式中，可以基于识别出第一工作职位和第二工作职位两者的训练样本的数量以及识别出第一工作职位的训练样本的数量来确定概率。例如，对于从“大学生”到“支持工程师实习生”的转换，如果识别出“大学生”和“支持工程师实习生”两者的训练样本的数量是400，而识别出“大学生”的训练样本的数量是1000，则概率可以被计算为40％。

根据本公开的实施例，可以执行机器学习以便建立目标导航建议模型。可以采用各种机器学习模型，例如决策树模型或线性拟合模型，来建立目标导航建议模型。

在520处，可以基于训练数据集来执行通过决策树的机器学习。决策树可以用于确定训练数据集中的个体属性的权重。

决策树的每个内部节点表示对一个属性的测试，每个分支表示测试的结果，每个叶节点表示类别标签。从根节点到叶节点的路径表示分类规则。

在一种实施方式中，决策树可以将与第一工作职位相关联的训练样本分类为两个类别，一个类别包括识别出第一工作职位和第二工作职位两者的训练样本，例如识别出从第一工作职位到第二工作职位的转换的训练样本，另一类别包括没有识别出从第一工作职位到第二工作职位的转换的训练样本。

在分类期间，决策树可以将具有最佳分类能力的第一个体属性确定为根节点。然后，对于具有第一个体属性的分支，决策树可以将具有最佳分类能力的第二个体属性确定为该分支的内部节点。类似地，对于不具有第一个体属性的分支，决策树可以将具有最佳分类能力的第三个体属性确定为该分支的内部节点。以相同的方式，决策树可以遍历所有个体属性，并确定所有内部节点。

为了衡量分类能力，决策树可以在确定根节点和内部节点期间为每个个体属性计算统计值，例如信息增益。较高的信息增益可以指示更好的分类能力。在一些情况下，可以将为个体属性计算的信息增益用作个体属性的权重。

以从“大学生”到“支持工程师实习生”的转换作为示例，可以将用于该转换的训练数据集提供给决策树算法。决策树算法可以为训练数据集中的个体属性计算信息增益。例如，个体属性“网络安全”的信息增益可被计算为“0.462”并用作其权重，个体属性“故障排除”的信息增益可被计算为“0.458”并用作其权重，个体属性“Windows服务器”的信息增益可被计算为“0.315”并用作其权重，等等。

在522处，可以基于训练数据集来执行通过线性拟合的机器学习。线性拟合可以用于确定训练数据集中的个体属性的权重。

可以为线性拟合定义以下公式：

f_i＝w₁a_i1+w₂a_i2+…+w_na_in 公式(1)

其中，f_i表示第i个训练样本的标签值，(a_i1，a_i2，...a_in)表示第i个训练样本的属性向量，(w₁，w₂，...w_n)表示个体属性的权重，n是属性向量的维度。

通过将训练数据集中的每个训练样本的属性向量和标签值输入到公式(1)中，可以获得具有变量w₁、w₂、...w_n的一组线性方程。然后，可以求解变量w₁、w₂、...w_n，从而获得个体属性的权重。

应当理解，在520处的通过决策树的机器学习和在522处的通过线性拟合的机器学习中的任何一个都可以被应用于确定个体属性的权重。也可以将任何其它机器学习模型，例如回归树，用于确定个体属性的权重。

在524处，可以形成与该转换相关联的规则。例如，对于该转换，规则可以由以下各项中的一个或多个构成：转换的概率、与转换的第一工作职位相关联的个体属性以及个体属性的权重。

然后，方法500可以返回到512处以确定是否存在下一转换。如果在512处确定不存在下一转换，则方法500进行到526。

在526处，可以形成目标导航建议模型。例如，可以收集与在510处识别的所有转换相关联的规则，以形成目标导航建议模型。然后，方法500在528处结束。

由方法500生成的目标导航建议模型包括关于工作职位之间的转换的信息，例如与转换相关联的规则。因此，当提供职业目标导航时，可以基于目标导航建议模型向用户呈现关于转换的信息。例如，如果用户正在查询如何达到目标工作职位，则本公开的实施例可以利用目标导航建议模型来提供从起始工作职位到目标工作职位的一条或多条路径，并且还可以呈现关于该一条或多条路径中的每个转换的信息。

在一些实施方式中，可以在目标导航系统提供职业目标导航期间动态地更新由方法500生成的目标导航建议模型。例如，如果查询如何实现职业目标的用户的状态改变了，例如用户已经实现了由目标导航建议所建议的路径中的一个转换，则可以将基于该转换的训练样本提供给方法500的处理，从而可以在考虑了该训练样本的情况下更新目标导航建议模型。

尽管上面解释了目标导航建议模型可以包括与转换相关联的规则，但是应当理解，目标导航建议模型还可以包括对于向用户提供建议有用的任何其它信息。在一些实施方式中，目标导航建议模型可以包括与工作职位相关联的规则。

图6是根据实施例的用于生成与工作职位相关联的规则的示例性处理600的流程图。方法600可以由目标导航系统执行，以用于通过数据挖掘和机器学习基于大量训练样本来生成与工作职位相关联的规则。

在602处，可以从训练样本中识别出多个工作职位。此处的训练样本可以与在图5中的504处获得的训练样本相同。

在604处，可以针对多个工作职位中的一个工作职位确定训练数据集。训练数据集可以包括训练样本的属性向量和标签。可以基于训练样本的个体属性来生成属性向量。可以基于是否在训练样本中识别出该工作职位来生成标签。例如，对于第i个训练样本，可以基于第i个训练样本的个体属性来生成属性向量(a_i1，a_i2，...a_in)，其中，属性向量是具有n个维度的向量。此外，如果在第i个训练样本中识别出工作职位，则可以生成标签＝1，否则，可以生成标签＝0。

针对每个训练样本所生成的属性向量和标签的集合可以构成用于该工作职位的训练数据集。

根据本公开的实施例，可以执行机器学习，以便生成与该工作职位相关联的规则。可以采用各种机器学习模型，例如决策树模型或线性拟合模型，来生成与该工作职位相关联的规则。

在606处，可以基于训练数据集来执行通过决策树的机器学习。决策树可以用于确定训练数据集中的个体属性的权重。可以以与图5中的操作520类似的方式来执行606处的操作。

在608处，可以基于训练数据集来执行通过线性拟合的机器学习。线性拟合可以用于确定训练数据集中的个体属性的权重。可以以与图5中的操作522类似的方式来执行608处的操作。

应当理解，在606处的通过决策树的机器学习和在608处的通过线性拟合的机器学习中的任何一个都可以被应用于确定个体属性的权重。也可以采用任何其它机器学习模型，例如回归树，来确定个体属性的权重。

在610处，可以形成与该工作职位相关联的规则。例如，对于该工作职位，可以由与该工作职位相关联的个体属性以及个体属性的权重来形成规则。

处理600可以重复604至610的操作，直到形成与所有工作职位相关联的规则。

由于与每个工作职位相关联的规则中的个体属性被标记有专用于该工作职位的权重，例如，个体属性和相关权重的组合是专用于该工作职位的，因此，用于生成与工作职位相关联的规则的处理600也可以被视为识别至少一个个体属性以将一个工作职位与其它工作职位区分开。

可以将处理600所生成的与工作职位相关联的规则进一步添加到目标导航建议模型中。因此，当提供职业目标导航时，可以向用户呈现关于工作职位的信息。例如，如果用户正在查询如何达到目标工作职位，则本公开的实施例可以利用目标导航建议模型来提供从起始工作职位到目标工作职位的一条或多条路径，并且还可以呈现关于该一条或多条路径中的每个工作职位的信息。

尽管在图5和图6中示出从训练样本中提取工作职位，但是应当理解，也可以经验性地预先确定工作职位。

虽然在图5和图6中未示出，但是在一些实施方式中，目标导航建议模型还可以包括与个体属性相关联的相关课程。例如，可以将连到课程的超链接与相应的个体属性相关联。通过学习该课程，用户可以拥有该个体属性，例如掌握技能。

上面结合图2至图6解释了根据本公开实施例的目标导航系统可以被应用于提供职业目标导航。然而，应当理解，也可以以任何其它方式来应用目标导航系统。

在一个示例中，可以将目标导航系统应用于提供个人财务目标导航。个人财务目标导航服务可以帮助用户制定计划，以使得用户能够实现财务目标、更好地管理他的资产、或者更好地为退休做准备，其中，所述财务目标例如为财务状况。例如，如果用户正在查询如何实现一种财务状况，个人财务目标导航服务可以向用户提供通往该财务状况的路径，其中，该路径可以包括一个或多个节点，并且可以示出与节点相关联的信息。在该示例中，可以收集大量用户的个人财务信息，其可以包括各种项目，例如工资、储蓄、投资、收支比、预算、长期目标等。用户的个人财务信息可以被视为训练样本，个人财务信息中的项目可以被视为个体属性，财务状况可以被视为节点。因此，可以将这些训练样本和个体属性用于以与上述类似的方式生成目标导航建议模型，从而，目标导航系统可以提供个人财务目标导航。

在另一示例中，可以将目标导航系统应用于提供游戏角色目标导航。游戏角色目标导航服务可以向角色扮演游戏的玩家提供关于如何从当前角色成长为目标角色的建议，该目标角色例如为一个游戏角色等级。例如，如果玩家正在查询如何从当前游戏角色等级达到一个游戏角色等级，则游戏角色目标导航服务可以向玩家提供通往该游戏角色等级的路径，其中，该路径可以包括一个或多个节点，例如中间游戏角色等级，并且可以示出与节点相关联的信息。在该示例中，可以收集大量玩家的游戏角色简档，其可以包括各种项目，例如技能、装备、经历、所花费时间等。玩家的游戏角色简档可以被视为训练样本，游戏角色简档中的项目可以被视为个体属性，游戏角色等级可以被视为节点。因此，可以将这些训练样本和个体属性用于以与上述相似的方式生成目标导航建议模型，从而，目标导航系统可以提供游戏角色目标导航。

在另一示例中，可以将目标导航系统应用于提供浪漫伴侣关系目标导航。浪漫伴侣关系目标导航服务可以向用户提供关于如何追求目标浪漫伴侣(romantic partner)的建议。例如，如果用户正在查询如何拥有与一个目标浪漫伴侣的浪漫伴侣关系，其中该目标浪漫伴侣对浪漫伴侣的期望个人条件有要求，则浪漫伴侣关系目标导航服务可以向用户提供通往该目标浪漫伴侣所要求的期望个人条件的路径。在该示例中，可以收集大量用户的个体简档，其可以包括各种项目，例如，用户的个性、社交活动、爱好、教育、外貌和个人财富等。用户的个体简档可以被视为训练样本，个体简档中的项目可以被视为个体属性，浪漫伴侣关系的个人条件可以被视为节点。因此，可以将这些训练样本和个体属性用于以与上述相似的方式生成目标导航建议模型，从而，目标导航系统可以提供浪漫伴侣关系目标导航。

在另一示例中，可以将目标导航系统应用于提供健身目标导航。健身目标导航服务可以向用户提供关于如何实现健身目标的建议。例如，如果用户正在查询如何从当前健身水平达到目标健身水平，则健身目标导航服务可以向用户提供通往目标健身水平的路径，其中，该路径可以包括一个或多个节点，例如中间健身水平，并且可以示出与节点相关联的信息。在该示例中，可以收集大量用户的个人健身信息，其可以包括各种项目，例如基础代谢率(BMR)、身体质量指数(BMI)、体脂率、肌肉质量、身体水分率等。用户的个人健身信息可以被视为训练样本，个人健身信息中的项目可以被视为个体属性，健身水平可以被视为节点。因此，可以将这些训练样本和个体属性用于以与上述相似的方式生成目标导航建议模型，从而，目标导航系统可以提供健身目标导航。

在另一个示例中，可以将目标导航系统应用于提供个人健康目标导航。个人健康目标导航服务可以向用户提供关于如何实现个人健康目标的建议。例如，如果用户正在查询如何从当前个人健康水平达到目标个人健康水平，则个人健康目标导航服务可以向用户提供通往目标个人健康水平的路径，其中，该路径可以包括一个或多个节点，例如中间个人健康水平，并且可以示出与节点相关联的信息。在该示例中，可以收集大量用户的个人健康信息，其可以包括各种项目，例如血压、血脂、血糖等。用户的个人健康信息可以被视为训练样本，个人健康信息中的项目可以被视为个体属性，个人健康水平可以被视为节点。因此，可以将这些训练样本和个体属性用于以与上述类似的方式生成目标导航建议模型，从而，目标导航系统可以提供个人健康目标导航。

图7是根据实施例的用于在多个节点间导航的示例性方法700的流程图。方法700可以用于目标导航系统。

在702处，可以获得多个训练样本。每个训练样本可以包括至少一个个体属性。

在704处，可以利用机器学习模型，基于与第一节点相关联的训练样本来至少计算与第一节点相关联的个体属性的权重，该权重用于将第一节点导航到第二节点。

在一种实施方式中，个体属性可以包括以下组中的至少一个：第一组，包括技能、教育和工作经历中的至少一个；第二组，包括工资、储蓄、投资、收支比、预算和长期目标中的至少一个；第三组，包括技能、装备、经历和所花费时间中的至少一个；第四组，包括个性、社交活动、爱好、教育、外貌和个人财富中的至少一个；第五组，包括BMR、BMI、体脂率、肌肉质量和身体水分率中的至少一个；以及第六组，包括血压、血脂和血糖中的至少一个。

在一种实施方式中，机器学习模型可以是决策树模型和线性拟合模型中的任何一个。

在一种实施方式中，训练样本中的每个训练样本可以包括个体简档，并且方法700还可以包括通过LDA从个体简档中提取至少一个个体属性。

在一种实施方式中，多个节点中的任何一个节点可以是以下之一：工作职位、财务状况、游戏角色等级、浪漫伴侣关系的个人条件、健身水平和个人健康水平。

在一种实施方式中，该方法还可以包括对个体属性的描述或节点的描述进行标准化。

在一种实施方式中，标准化可以包括：利用CDSSM工具来生成描述的语义向量；以及利用K均值聚类算法来对语义向量进行聚类。

在一种实施方式中，方法700还可以包括基于机器学习模型来识别至少一个个体属性，以将一个节点区分于其它节点。

在一种实施方式中，方法700还可以包括基于从第一节点被导航到第二节点的训练样本和与第一节点相关联的训练样本，来计算第一节点被导航到第二节点的概率。

图8是根据实施例的示例性方法800的流程图。方法800可以用于目标导航系统。

在802处，可以确定多个节点中的起始节点和目标节点。每个节点可以与至少一个训练样本相关联。每个训练样本可以与至少一个个体属性相关联。与关联于第一节点的个体属性有关的一个或多个权重可以利用机器学习模型基于与第一节点相关联的训练样本来计算，并且被配置为将第一节点导航到第二节点。

在804处，可以提供关于从起始节点导航到目标节点的至少一条路径的信息，该信息是基于与关联于路径上设置的至少一个节点的个体属性有关的权重来提供的。

在一种实施方式中，方法800还可以包括基于路径上设置的节点来呈现信息。该信息可以包括预定数量的个体属性及其权重。

在一种实施方式中，可以利用K均值聚类算法以及CDSSM工具来对个体属性的描述或节点的描述进行标准化。

在一种实施方式中，训练样本中的每个训练样本可以包括个体简档，可以通过LDA从个体简档中提取至少一个个体属性。

图9示出了根据实施例的用于在多个节点间导航的示例性装置900。

装置900可以包括获得模块902。获得模块902用于获得多个训练样本，所述训练样本中的每个训练样本包括至少一个个体属性。

装置900可以包括计算模块904。计算模块904用于利用机器学习模型基于与第一节点相关联的训练样本来至少计算与第一节点相关联的个体属性的权重，所述权重被用于将第一节点导航到第二节点。

在一种实施方式中，训练样本中的每个训练样本可以包括个体简档，装置900还可以包括提取模块，其用于通过LDA从个体简档中提取至少一个个体属性。

在一种实施方式中，装置900还可以包括标准化模块，用于对个体属性的描述或节点的描述进行标准化。

此外，装置900还可以包括被配置用于执行根据上述本公开实施例的用于提供目标导航的方法的任何操作的任何其它模块。

图10示出了根据实施例的示例性装置1000。装置1000可以用于目标导航系统。

装置1000可以包括确定模块1002。确定模块1002用于确定多个节点中的起始节点和目标节点。每个节点可以与至少一个训练样本相关联。每个训练样本可以与至少一个个体属性相关联。与关联于第一节点的个体属性有关的一个或多个权重可以是利用机器学习模型基于与第一节点相关联的训练样本来计算的，并且被配置为将第一节点导航到第二节点。

装置1000可以包括提供模块1004。提供模块1004用于提供关于从起始节点导航到目标节点的至少一条路径的信息，该信息是基于与关联于路径上设置的至少一个节点的个体属性有关的权重来提供的。

此外，装置1000还可以包括被配置用于执行根据上述本公开实施例的用于提供目标导航的方法的任何操作的任何其它模块。

图11示出了根据实施例的示例性系统1100。

系统1100可以包括计算机可读介质1102。计算机可读介质1102可以包括多个节点。每个节点可以与至少一个训练样本相关联。每个训练样本可以与至少一个个体属性相关联。计算机可读介质1102可以包括与关联于第一节点的个体属性有关的一个或多个权重，该权重是利用机器学习模型基于与第一节点相关联的训练样本来计算的，并且被配置为将第一节点导航到第二节点。

系统1100可以包括处理器1104。处理器1104可以被配置为确定起始节点和目标节点，并且提供关于从起始节点导航到目标节点的至少一条路径的信息，该信息是基于与关联于路径上设置的至少一个节点的个体属性有关的权重来提供的。

在一种实施方式中，处理器1104可以被配置为基于路径上设置的节点来呈现信息，其中，该信息包括预定数量的个体属性及其权重。

在一种实施方式中，训练样本中的每个训练样本可以包括个体简档，并且至少一个个体属性是通过LDA从个体简档中提取的。

在一种实施方式中，处理器1104可以被配置为对个体属性的描述或节点的描述进行标准化。

在一种实施方式中，可以通过以下操作来对个体属性的描述或节点的描述进行标准化：利用CDSSM工具来生成描述的语义向量；以及利用K均值聚类算法来对语义向量进行聚类。

在一种实施方式中，处理器1104可以被配置为基于机器学习模型来识别至少一个个体属性以将一个节点区分于其它节点。

根据一个实施例，提供了一种装置，其可以包括多个节点。每个节点可以与至少一个训练样本相关联。每个训练样本可以与至少一个个体属性相关联。所述装置还可以包括与关联于第一节点的个体属性有关的一个或多个权重，该权重是利用机器学习模型基于与关联于第一节点的训练样本来计算的，并被配置为将第一节点导航到第二节点。

在一些实施方式中，可以将节点和权重存储在计算机可读介质中。在一些实施方式中，可以将节点和权重存储在云存储中，并且可以在由所述装置提供目标导航时被提取。

在一种实施方式中，训练样本中的每个训练样本可以包括个体简档，其中，至少一个个体属性是通过LDA从个体简档中提取的。

在一种实施方式中，可以通过使用K均值聚类算法以及CDSSM工具来对个体属性的描述或节点的描述进行标准化。

在一种实施方式中，所述装置可以包括第一节点被导航到第二节点的概率，其中，所述概率可以是基于从第一节点被导航到第二节点的训练样本以及与第一节点相关联的训练样本来计算的。

图12示出了根据实施例的用于提供目标导航的示例性系统1200。

系统1200可以包括一个或多个处理器1202。系统1200还可以包括与一个或多个处理器1202连接的存储器1204。存储器1204可以存储计算机可执行指令，所述计算机可执行指令在被执行时使得一个或多个处理器1202执行根据上述本公开实施例的用于提供目标导航的方法的任何操作。

本公开的实施例可以实施在非暂时性计算机可读介质中。该非暂时性计算机可读介质可以包括指令，当所述指令被运行时，使得一个或多个处理器执行根据上述本公开实施例的用于提供目标导航的方法的任何操作。

应当理解，以上描述的方法中的所有操作都仅仅是示例性的，本公开并不限制于方法中的任何操作或这些操作的顺序，而是应当涵盖在相同或相似构思下的所有其它等同变换。

还应当理解，以上描述的装置中的所有模块都可以通过各种方式来实施。这些模块可以被实施为硬件、软件、或其组合。此外，这些模块中的任何模块可以在功能上被进一步划分成子模块或与其它模块组合。

已经结合各种装置和方法描述了处理器。这些处理器可以使用电子硬件、计算机软件或其任意组合来实施。这些处理器是实施为硬件还是软件将取决于具体的应用以及施加在系统上的总体设计约束。作为示例，本公开中给出的处理器、处理器的任意部分、或者处理器的任意组合可以实施为微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、状态机、门逻辑、分立硬件电路、以及配置用于执行在本公开中描述的各种功能的其它适合的处理部件。本公开给出的处理器、处理器的任意部分、或者处理器的任意组合的功能可以实施为由微处理器、微控制器、DSP或其它适合的平台所执行的软件。

软件应当被广泛地视为表示指令、指令集、代码、代码段、程序代码、程序、子程序、软件模块、应用、软件应用、软件包、例程、子例程、对象、运行线程、过程、函数等。软件可以驻留在计算机可读介质中。计算机可读介质可以包括例如存储器，存储器可以例如为磁性存储设备(如，硬盘、软盘、磁条)、光盘、智能卡、闪存设备、随机存取存储器(RAM)、只读存储器(ROM)、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、寄存器或者可移动盘。尽管在本公开给出的多个方面中将存储器示出为是与处理器分离的，但是存储器可以位于处理器内部(如，缓存或寄存器)。

以上描述被提供用于使得本领域技术人员可以实施本文所描述的各个方面。这些方面的各种修改对于本领域技术人员是显而易见的，本文限定的一般性原理可以应用于其它方面。因此，权利要求并非旨在被局限于本文示出的方面。关于本领域技术人员已知或即将获知的、对本公开所描述各个方面的元素的所有结构和功能上的等同变换，都将通过引用而明确地包含到本文中，并且旨在由权利要求所覆盖。

Claims

1.一种装置，包括：

多个节点，每个节点与至少一个训练样本相关联，每个训练样本与至少一个个体属性相关联；以及

与关联于第一节点的个体属性有关的一个或多个权重，所述权重是利用机器学习模型基于与所述第一节点相关联的训练样本来计算的，并且被配置为将所述第一节点导航到第二节点。

2.根据权利要求1所述的装置，其中，所述个体属性包括以下组中的至少一个：

第一组，包括技能、教育和工作经历中的至少一个；

第二组，包括工资、储蓄、投资、收支比、预算和长期目标中的至少一个；

第三组，包括技能、装备、经历和所花费时间中的至少一个；

第四组，包括个性、社交活动、爱好、教育、外貌和个人财富中的至少一个；

第五组，包括基础代谢率(BMR)、身体质量指数(BMI)、体脂率、肌肉质量和身体水分率中的至少一个；以及

第六组，包括血压、血脂和血糖中的至少一个。

3.根据权利要求1所述的装置，其中，所述机器学习模型是决策树模型和线性拟合模型中的任何一个。

4.根据权利要求1所述的装置，其中，所述训练样本中的每个训练样本包括个体简档，其中，所述至少一个个体属性是通过潜在狄利克雷分配(LDA)从所述个体简档中提取的。

5.根据权利要求1所述的装置，其中，所述多个节点中的任何一个节点是以下之一：工作职位、财务状况、游戏角色等级、浪漫伴侣关系的个人条件、健身水平和个人健康水平。

6.根据权利要求1所述的装置，其中，通过使用K均值聚类算法以及卷积深度结构化语义模型(CDSSM)工具来对所述个体属性的描述或所述节点的描述进行标准化。

7.根据权利要求1所述的装置，还包括：

所述第一节点被导航到所述第二节点的概率，其中，所述概率是基于从所述第一节点被导航到所述第二节点的训练样本和与所述第一节点相关联的训练样本来计算的。

8.一种系统，包括：

计算机可读介质，其包括：多个节点，每个节点与至少一个训练样本相关联，每个训练样本与至少一个个体属性相关联；以及与关联于第一节点的个体属性有关的一个或多个权重，所述权重是利用机器学习模型基于与所述第一节点相关联的训练样本来计算的，并且被配置为将所述第一节点导航到第二节点；以及

处理器，其被配置为确定起始节点和目标节点，并且提供关于从所述起始节点导航到所述目标节点的至少一条路径的信息，该信息是基于与关联于所述路径上设置的至少一个节点的个体属性有关的权重来提供的。

9.根据权利要求8所述的系统，其中，所述处理器被配置为基于所述路径上设置的所述节点来呈现所述信息，并且

其中，所述信息包括预定数量的个体属性及其权重。

10.根据权利要求8所述的系统，其中，所述个体属性包括以下组中的至少一个：

第一组，包括技能、教育和工作经历中的至少一个；

第六组，包括血压、血脂和血糖中的至少一个。

11.根据权利要求8所述的系统，其中，所述多个节点中的任何一个节点是以下之一：工作职位、财务状况、游戏角色等级、浪漫伴侣关系的个人条件、健身水平和个人健康水平。

12.根据权利要求8所述的系统，其中，所述训练样本中的每个训练样本包括个体简档，并且所述至少一个个体属性是通过潜在狄利克雷分配(LDA)从所述个体简档中提取的。

13.根据权利要求8所述的系统，其中，所述处理器被配置为对所述个体属性的描述或所述节点的描述进行标准化。

14.根据权利要求13所述的系统，其中，通过以下操作来对所述个体属性的描述或所述节点的描述进行标准化：

利用卷积深度结构化语义模型(CDSSM)工具来生成所述描述的语义向量；以及

利用K均值聚类算法来对所述语义向量进行聚类。

15.根据权利要求8所述的系统，其中，所述处理器被配置为：

基于机器学习模型来识别至少一个个体属性，以将一个节点区分于其它节点。

16.一种方法，包括：

确定多个节点中的起始节点和目标节点，每个节点与至少一个训练样本相关联，每个训练样本与至少一个个体属性相关联，与关联于第一节点的个体属性有关的一个或多个权重是利用机器学习模型基于与所述第一节点相关联的训练样本来计算的，并且被配置为将所述第一节点导航到第二节点；以及

提供关于从所述起始节点导航到所述目标节点的至少一条路径的信息，该信息是基于与关联于所述路径上设置的至少一个节点的个体属性有关的权重来提供的。

17.根据权利要求16所述的方法，其中，所述个体属性包括以下组中的至少一个：

第一组，包括技能、教育和工作经历中的至少一个；

第六组，包括血压、血脂和血糖中的至少一个。

18.根据权利要求16所述的方法，其中，所述多个节点中的任何一个节点是以下之一：工作职位、财务状况、游戏角色等级、浪漫伴侣关系的个人条件、健身水平和个人健康水平。

19.根据权利要求16所述的方法，其中，所述训练样本中的每个训练样本包括个体简档，并且所述至少一个个体属性是通过潜在狄利克雷分配(LDA)从所述个体简档中提取的。

20.根据权利要求16所述的方法，其中，通过使用K均值聚类算法以及卷积深度结构化语义模型(CDSSM)工具来对所述个体属性的描述或所述节点的描述进行标准化。