CN111258687A - 用于优化数字页面的工作识别 - Google Patents
用于优化数字页面的工作识别 Download PDFInfo
- Publication number
- CN111258687A CN111258687A CN201911188102.XA CN201911188102A CN111258687A CN 111258687 A CN111258687 A CN 111258687A CN 201911188102 A CN201911188102 A CN 201911188102A CN 111258687 A CN111258687 A CN 111258687A
- Authority
- CN
- China
- Prior art keywords
- user
- work
- subset
- page
- profile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/2866—Architectures; Arrangements
- H04L67/30—Profiles
- H04L67/306—User profiles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/53—Network services using third party service providers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/0482—Interaction with lists of selectable items, e.g. menus
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本文公开了通过提供用于优化在线服务上的用户的数字页面的用户界面来提高在线服务的计算机系统的准确性、相关性和效率的技术。在一些实施例中,计算机系统接收在线服务上发布的多个工作公告;基于多个工作公告的子集中的每个工作公告的对应特征数据来确定所述子集满足相似性标准;基于确定子集满足相似性标准来选择多个工作公告的子集;以及基于所选择的工作公告子集来生成针对第一用户的页面的推荐,所述推荐包括建议向第一用户的页面添加内容。
Description
技术领域
本申请概括而言涉及用于通过提供用户界面来优化在线服务上用户的数字页面,从而改善在线服务的计算机系统的准确性、相关性和效率的系统、方法和计算机程序产品。
背景技术
在线服务的用户的数字页面经常省略相关数据。这种数据的缺乏会导致在线服务性能中的技术问题。例如,在在线服务基于针对某种类型的数据的搜索标准来执行搜索的情况下,通常会从搜索中省略页面,因为页面的简档缺少该类型的数据,即使在页面包括了对应数据的情况下它们将满足搜索标准。作为结果,搜索结果的准确性、相关性和完整性被降低。另外地,由于以其它方式会省略相关的搜索结果,因此用户经常在它们的搜索上花费较长的时间,从而消耗电子资源(例如,网络带宽、服务器执行搜索的计算开销)。因此,在线服务的计算机系统的功能受到损害。此外,现有技术缺乏针对用户将这样的相关数据添加到他们的页面或他们页面的特定部分的方便和有效的方式。也可能出现其它技术问题。
附图说明
在附图的图中,通过示例而非限制的方式示出了本公开内容的一些实施例,其中相似的附图标记指示相似的元素。
图1是示出根据示例性实施例的客户端-服务器系统的框图。
图2是示出根据示例性实施例的网络化系统内的社交网络服务的功能组件的框图。
图3是示出根据示例性实施例的优化系统的框图。
图4示出了根据示例性实施例的在其中显示用户的简档页面的图形用户界面(GUI)。
图5示出了根据示例性实施例的在其中显示在在线服务上发布的工作公告的GUI。
图6示出了根据示例性实施例的在其中用户可以提交针对工作公告的申请的GUI。
图7示出了根据示例性实施例的在其中显示用于优化用户页面的推荐的GUI。
图8示出了根据示例性实施例的在其中用户可以将用户输入的文本保存到用户页面的一部分的GUI。
图9是示出根据示例性实施例的提供用于优化用户页面的推荐的方法的流程图。
图10是示出根据示例性实施例的显示用户页面的方法的流程图。
图11是示出根据示例性实施例的提供用于优化用户页面的推荐的另一方法的流程图。
图12是示出根据示例性实施例的提供用于优化用户页面的推荐的另一方法的流程图。
图13是示出根据示例性实施例的提供用于优化用户页面的推荐的又一方法的流程图。
图14是示出根据示例性实施例的提供用于优化用户页面的建议的方法的流程图。
图15是示出根据示例性实施例的训练用于提供用于优化用户页面的建议的分类器的方法的流程图。
图16是示出根据一些示例性实施例的移动设备的框图。
图17是根据示例性实施例的可以在其上执行本文描述的方法的示例性计算机系统的框图。
具体实施方式
I.概述
公开了通过提供用于优化在线服务上的用户的数字页面的用户界面来改善在线服务的计算机系统的准确性、相关性和效率的示例性方法和系统。在下面的描述中,出于解释的目的,阐述了许多具体细节以便提供对示例性实施例的透彻理解。然而,对于本领域的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实施例。
通过本文公开的一个或多个示例性实施例可以解决上述问题中的一些或全部问题,这些示例性实施例提供了用于以方便和有效的方式向在线服务上的用户页面添加准确且相关的数据的方法和用户界面。在一些示例性实施例中,计算机系统基于工作公告的特征数据(例如,组织内的职位、资历级别、行业)来识别与用户感兴趣或可能感兴趣的工作类型相对应的工作公告,并且然后从所识别的工作公告中提取短语,优先考虑与工作公告的工作类型最相关的短语,同时在所提取的短语之间强制充分的多样性,以避免冗余和浪费的显示空间。对于所提取的短语中的每一者,计算机系统使用放置分类器来确定用户页面的对应部分以建议所提取的短语的放置,并且然后基于所提取的短语和所提取的短语的对应部分来为用户页面生成对应推荐。每个推荐包括对应的短语到用户页面的对应部分的建议添加。生成的推荐被显示在用户的计算设备上。在一些示例性实施例中,与生成的推荐相对应的可选用户界面元素被显示并配置为使用户能够方便且有效地将短语或其部分添加到用户页面。
下列步骤中的每个步骤都涉及非通用、非传统和非常规操作组合:识别工作公告,从所识别的工作公告中提取短语,确定页面的对应部分以建议放置所提取的短语,针对页面生成推荐,以及显示所生成的推荐。通过应用本文公开的一个或多个解决方案,本公开内容的系统和方法的一些技术效果是为在线服务的用户提供方便且有效的方式来向在线服务上的用户页面添加准确和相关的数据。作为结果,改善了在线服务的计算机系统的功能。根据本公开内容,其它技术效果也将显而易见。
II.详细的示例性实施例
本文公开的方法或实施例可以被实现为具有一个或多个模块(例如,硬件模块或软件模块)的计算机系统。这样的模块可以由计算机系统的一个或多个处理器执行。本文公开的方法或实施例可以体现为存储在机器可读介质上的指令,该指令在由一个或多个处理器执行时使一个或多个处理器执行指令。
图1是示出根据示例性实施例的客户端-服务器系统100的框图。网络化系统102经由网络104(例如,互联网或广域网(WAN))向一个或多个客户端提供服务器侧功能。例如,图1示出了在各自的客户端机器110和112上执行的网络客户端106(例如,浏览器)和编程式客户端108。
应用程序接口(API)服务器114和网络服务器116耦合到一个或多个应用服务器118,并且分别向一个或多个应用服务器118提供编程式和网络接口。应用服务器118托管一个或多个应用120。继而,应用服务器118被示为耦合到一个或多个数据库服务器124,所述数据库服务器124促进对一个或多个数据库126的访问。虽然在图1中将应用120示出为形成网络化系统102的一部分,但是将理解的是,在替代实施例中,应用120可以形成与网络化系统102分离且不同的服务的一部分。
此外,虽然图1中所示的系统100采用了客户端-服务器架构,但是本公开当然不限于这种架构,并且例如可以同样地很好地应用于分布式或对等架构系统。各种应用120还可以被实现为独立的软件程序,其不必具有联网能力。
网络客户端106经由由网络服务器116支持的网络接口访问各种应用120。类似地,编程式客户端108经由由API服务器114提供的编程式接口访问由应用120提供的各种服务和功能。
图1还将在第三方服务器机器130上执行的第三方应用128示出为具有经由由API服务器114提供的编程式接口的对网络系统102的编程访问。例如,第三方应用128可以利用从网络化系统102中取回的信息,来支持在由第三方托管的网站上的一个或多个特征或功能。第三方网站可以例如提供由网络化系统102的相关应用支持的一个或多个功能。
在一些实施例中,本文所指的任何网站可以包括可以在各种设备上呈现的在线内容,所述设备包括但不限于台式个人计算机、膝上型计算机和移动设备(例如,平板计算机、智能手机等)。在这方面,用户可以采用这些设备中的任何一种设备来使用本公开内容的特征。在一些实施例中,用户可以使用移动设备(机器110、112和130中的任何一个可以是移动设备)上的移动应用来访问和浏览在线内容,诸如本文公开在线内容中的任何在线内容。移动服务器(例如,API服务器114)可以与移动应用和应用服务器118进行通信,以便使本公开内容的特征在移动设备上可用。
在一些实施例中,网络化系统102可以包括社交网络服务的功能组件。图2是示出与本公开内容的一些实施例一致的社交网络系统210的功能组件的框图,包括在社交网络系统210使用的在本文中称为优化系统216的数据处理模块。在一些实施例中,优化系统216驻留在图1中的应用服务器118上。然而,预想的是,其它配置也在本公开内容的范围内。
如图2所示,前端可以包括用户界面模块(例如,网络服务器)212,其从各种客户端计算设备接收请求,并且将适当的响应传送给提出请求的客户端设备。例如,用户界面模块212可以接收以超文本传输协议(HTTP)请求或其它基于网络的、应用编程接口(API)请求的形式的请求。另外,可以提供成员交互检测模块213以检测成员与呈现的不同应用、服务和内容的各种交互。如图2所示,在检测到特定交互时,成员交互检测模块213在成员活动和行为数据库222中记录交互,包括交互的类型以及与交互相关的任何元数据。
应用逻辑层可以包括一个或多个各种应用服务器模块214,其与用户界面模块212结合,利用从数据层中的各种数据源取回的数据生成各种用户界面(例如,网页)。通过一些实施例,个体应用服务器模块214用于实现与由社交网络服务提供的各种应用和/或服务相关联的功能。在一些示例性实施例中,应用逻辑层包括优化系统216。
如图2所示,数据层可以包括若干数据库,诸如用于存储简档数据的数据库218,所述简档数据包括成员简档数据和用于各种组织(例如,公司、学校等)的简档数据。与一些实施例一致,当一个人最初注册成为社交网络服务的成员时,将提示该人提供一些个人信息,诸如他或她的姓名、年龄(例如,出生日期)、性别、兴趣、联系信息、家乡、地址、该成员的配偶和/或家庭成员的姓名、教育背景(例如,学校、专业、入学和/或毕业日期等)、工作经验、技能、专业组织等。该信息例如存储在数据库218中。类似地,当组织的代表最初向社交网络服务注册该组织时,可以提示该代表提供关于组织的某些信息。该信息可以存储在例如数据库218或另一数据库(未示出)中。在一些示例性实施例中,简档数据可以被处理(例如,在后台或离线)以生成各种导出的简档数据。例如,如果成员已经提供了有关该成员在同一家公司或不同公司担任的各种职称以及多长时间的信息,则该信息可以用于推断或导出指示该成员的总体资历级别或在特定公司内的资历级别的成员简档属性。在一些示例性实施例中,从一个或多个外部托管数据源导入或以其它方式访问数据可以增强针对成员和组织两者的简档数据。例如,特别是对于公司,可以从一个或多个外部数据源中导入财务数据,并且成为公司简档的一部分。
一旦注册,成员就可以邀请其它成员或被其它成员邀请,以经由社交网络服务进行连接。“连接”可以要求或指示成员达成双边协议,使得两个成员都承认连接的建立。类似地,在一些实施例中,成员可以选择“关注(follow)”另一成员。与建立连接相反,“关注”另一成员的概念通常是单边操作,并且至少在一些实施例中,不需要被关注成员的确认或批准。当一个成员关注另一成员时,进行关注的成员可以接收被关注成员发布的状态更新(例如,在活动或内容流中)或其它消息,或与被关注成员进行的各种活动相关的消息。类似地,当成员关注组织时,该成员就变得有资格接收代表组织发布的消息或状态更新。例如,代表成员所关注的组织发布的消息或状态更新将出现在成员的个性化数据馈送中,通常称为活动流或内容流。在任何情况下,成员与其它成员或与其它实体和对象建立的各种关联和关系都存储并维护在社交图中,如图2中利用数据库220所示的。
当成员与经由社交网络系统210可用的各种应用、服务和内容进行交互时,可以跟踪成员的交互和行为(例如,查看的内容,选择的链接或按钮,对其进行响应的消息等),并且可以记录或存储有关成员的活动和行为的信息,如图2中通过数据库222所示的。该记录的活动信息然后可以由优化系统216使用。成员的交互和行为也可以被驻留在客户端设备上的优化系统216(诸如,在客户端设备的浏览器内)跟踪、存储和使用,如下面将进一步详细讨论的。
在一些实施例中,数据库218、220和222可以合并到图1中的数据库126中。然而,其它配置也在本公开内容的范围内。
虽然未示出,但是在一些实施例中,社交网络系统210提供了应用编程接口(API)模块,应用和服务可以经由该API模块访问由社交网络服务提供或维护的各种数据和服务。例如,使用API,应用能够请求和/或接收一个或多个导航推荐。这种应用可以是基于浏览器的应用,或者可以是特定于操作系统的应用。特别地,一些应用可以(至少部分地)在具有移动操作系统的一个或多个移动设备(例如,电话或平板计算设备)上驻留并且执行。此外,虽然在许多情况下,利用API的应用或服务可能是由操作社交网络服务的实体开发和维护的应用和服务,但是除了数据隐私问题外,没有什么阻止向公众或向在特殊布置下的某些第三方提供API,由此使导航推荐可用于第三方应用和服务。
虽然在本文中优化系统216被称为在社交网络服务的上下文中使用,但是可以预期,它也可以在任何网站或在线服务的上下文中使用。另外地,虽然可以在网页的上下文中使用或呈现本公开内容的特征,但是可以预期,任何用户界面视图(例如,移动设备或桌面软件上的用户界面)都在本公开内容的范围内。
图3是示出根据示例性实施例的优化系统216的框图。在一些实施例中,优化系统216包括下列各项中的一项或多项的任意组合:识别模块310、提取模块320、放置模块330、建议模块340、机器学习模块350以及一个或多个数据库360。模块310、320、330、340和350以及数据库360可以驻留在具有存储器和至少一个处理器(未示出)的计算机系统或其它机器上。在一些实施例中,模块310、320、330、340和350以及数据库360可以被合并到图1中的应用服务器118中。在一些示例性实施例中,数据库360被合并到图1中的数据库126中,并且可以包括图2中的数据库218、220和222中的一项或多项的任意组合。然而,预期的是,模块310、320、330、340和350以及数据库360的其它配置也在本公开内容的范围内。
在一些示例性实施例中,模块310、320、330、340和350中的一项或多项被配置为执行各种通信功能以促进本文所述的功能,诸如通过经由网络104使用有线连接或无线连接与社交网络系统210进行通信。模块310、320、330、340和350中的一个或多个模块的任意组合也可以提供各种网络服务或功能,诸如从第三方服务器130和社交网络系统210取回信息。由模块310、320、330、340和350中任一个模块取回的信息可以包括与社交网络系统210的社交网络服务的用户和成员相对应的简档数据。
另外地,模块310、320、330、340和350中的一个或多个模块的任意组合可以提供各种数据功能,诸如与数据库360或服务器交换信息。例如,模块310、320、330、340和350中的任何一个模块都可以访问包括来自数据库360的简档数据的成员简档,以及从成员简档的简档数据中提取属性和/或特性。此外,模块310、320、330、340和350中的一个或多个模块可以从数据库360访问简档数据、社交图数据以及成员活动和行为数据,以及与第三方服务器130、客户端机器110、112和其它信息源交换信息。
在一些示例性实施例中,优化系统216被配置为向用户提供方便且有效的方式来将相关数据添加到他们的页面或他们的页面的特定部分,从而向用户提供关于他们应该改变其页面上的什么内容(诸如其简档页面和简历)的见解和建议,以改善其页面质量,并使页面内容与特定目标(例如职业理想)对准。
优化系统216提供被设计为改善用户追求他或她的目标或兴趣的机会的可行建议。这些可行建议包括可以应用于用户页面(诸如用户的简档页面或用户的简历)的转换的有限集合。这些转换可以在合理的时间内完成。示例包括但不限于添加特定内容,改善组成以及添加定量细节。
在一些示例性实施例中,建议基于用户感兴趣的工作以及已知的招聘者行为。例如,优化系统216可以建议用户包括招聘者寻找的某些信息,诸如成就和其它可测量的结果。优化系统216还可以通过向用户显示来自那些工作描述的关键字和短语来帮助用户将他们的简档与他们感兴趣的工作对准。
在一些示例性实施例中,优化系统216的高级目标是:
argmaxf(r)P(y|f(r),J),
其中每个r代表用户的当前页面(例如,简档或简历),J代表用户工作兴趣集合,f(r)∈F是输出新页面r'的转换,以及y是代表用户是否很适合工作的信号,j∈J。可以通过不同的数据源来估计和测量反馈信号y,这将在后面解释。上面公开的高级目标由于以下原因而极具挑战性:(1)优化系统216如何定义用户的工作兴趣J;以及(2)优化系统216如何约束页面编辑/转换F的空间。下面将讨论优化系统216如何解决这些技术挑战的细节。
在一些示例性实施例中,优化系统216基于工作公告的特征数据(例如,组织内的角色、资历级别、行业)来识别与用户感兴趣或可能感兴趣的工作类型相对应的工作公告,并且然后从所识别的工作公告中提取短语,优先考虑与工作公告的工作类型最相关的短语,同时在所提取的短语之间强制充分的多样性,以避免冗余和浪费的显示空间。对于每个所提取的短语,优化系统216使用放置分类器来确定用户页面(例如,简档页面或简历)的对应部分以建议所提取的短语的放置,并且然后基于所提取的短语和所提取的短语的对应部分来针对用户页面生成对应推荐。每个推荐包括对应的短语到用户页面的对应部分的建议添加。生成的推荐被显示在用户的计算设备上。在一些示例性实施例中,与生成的推荐相对应的可选用户界面元素被显示并配置为使用户能够方便且有效地将短语、或其部分添加到用户页面。
图4示出了根据示例性实施例的在其中显示用户的简档页面的图形用户界面(GUI)400。在GUI 400中显示的简档页面包括用户的简档数据410。在图4所示的例子中,简档数据410包括标识用户(例如,照片和名字)、用户在特定组织的当前位置以及用户的当前居住位置的标题数据410-1、摘要数据410-2、经验数据410-3,以及特色技能和认可数据410-4。其它类型的简档数据410也在本公开内容的范围内。在一些示例性实施例中,GUI400在其自己的简档页面的专用部分中显示每种类型的简档数据410。
图5示出了根据示例性实施例的在其中显示在线服务上发布的工作公告的GUI500。在图5中,工作公告包括标题信息510和详细信息512。标题信息510包括关于工作公告的基本信息,诸如工作名称或职位(例如,“高级软件设计师”),寻找职称或职位的申请人的公司或组织的名称(例如“LINKEDIN”),以及工作地点(例如“旧金山湾区”)。详细信息512包括关于工作的更详细信息,包括但不限于,工作描述、工作的资历水平、工作所对应的一个或多个行业、工作的就业类型,以及工作要求。在图5中,GUI 500还包括可选用户界面元素520,可选用户界面元素520被配置为使正在查看工作公告的用户能够提交针对工作公告的工作申请。在一些示例性实施例中,可选用户界面元素520包括可选按钮或链接(例如,图5中的可选“应用”按钮),可选按钮或链接被配置为当被选择时触发社交网络系统210来显示另一GUI,在其中用户可以提交针对工作公告的申请。
图6示出了根据示例性实施例的在其中用户可以提交针对工作公告的申请的GUI600。在一些示例性实施例中,GUI 600包括一个或多个用户界面元素,其被配置为使用户能够提交联系信息,诸如电子邮件地址和/或用于接收电话和/或文本消息的目的地(例如,电话号码)。例如,GUI 600包括被配置为接收用户的电子邮件地址的文本域610,以及被配置为接收用于接收电话和/或文本消息的目的地的文本域612。在一些示例性实施例中,GUI600还包括被配置为使用户能够提交简历的一个或多个用户界面元素。例如,GUI 600包括可选用户界面元素620,可选用户界面元素620被配置为使用户能够以诸如Microsoft Word文档或便携式文档格式(PDF)的某种格式上传简历。响应于用户选择可选择用户界面元素620,社交网络系统210可以显示窗口(未示出),在其中用户可以选择包含待上传的简历的文件。在用户已经输入了联系信息并上传了简历之后,用户可以使用可选用户界面元素630(例如,“提交申请”按钮)将输入的联系信息和上传的简历文件提交给社交网络系统210以进行处理。输入的联系信息和上传的简历文件可以形成用户的工作申请,基于输入的联系信息和上传的简历的提交,社交网络系统210现在将用户识别为针对工作公告的申请人。上传的简历可以与上传的简历所对应的用户相关联地存储在数据库360中。
在一些示例性实施例中,识别模块310被配置为基于多个工作公告中的每个工作公告的对应特征数据,将在线服务上发布的多个工作公告识别为与工作的类型相对应。在一些示例性实施例中,多个工作公告中的每个工作公告的对应特征数据包括组织内的角色、资历级别、行业和工作职能中的至少一项。然而,其它类型的特征数据也在本公开内容的范围内。
在一些示例性实施例中,识别多个工作包括:接收在线服务上发布的多个工作公告,基于在多个工作公告的子集中的每个工作公告的对应特征数据来确定该子集满足相似性标准,其中子集包括多个工作公告,并且基于确定多个工作公告的子集满足相似性标准来选择该子集。在一些示例性实施例中,接收多个工作公告包括:访问与用户的简档相关联地存储在数据库中的用户的用户活动数据,确定用户活动数据指示用户对多个工作公告感兴趣,并且基于确定用户活动数据指示第一用户对多个职位空缺感兴趣来选择多个工作公告。用户活动数据可以包括查看工作列表以及提交针对工作列表的申请中的至少一项。然而,其它类型的用户活动数据也在本公开内容的范围内。
在一些示例性实施例中,确定多个工作公告的子集满足相似性标准包括:使用至少一个过滤器来确定多个工作公告的子集中的每个工作公告的对应特征数据与过滤器特征数据匹配。在一个示例中,过滤器特征数据将“计算机软件”识别为行业数据,并且相似性标准要求在多个工作公告的子集中的每个工作公告的对应行业数据包括“计算机软件”。在一些示例性实施例中,确定多个工作公告的子集满足相似性标准包括:使用语义匹配,来确定多个工作公告的子集中的每个工作公告的对应特征数据包括与在多个工作公告的子集中的其它工作公告的对应特征数据相似的含义,而不需要精确匹配。
在一些示例性实施例中,提取模块320被配置为:基于针对多个短语中的每个短语的对应的相关性测量和对应的多样性测量,从所识别的多个工作公告中提取多个短语。相关性测量包括测量对应短语与工作类型的相关性,以及多样性测量包括测量在对应短语与多个短语中的其它短语之间的区别。
在一些示例性实施例中,提取多个短语包括接收针对工作类型的多个短语。接收针对该工作类型的多个短语可以包括:基于所选择的句子被确定为包括对应于组织中的角色的角色依赖信息来从所述工作类型的一个或多个工作列表选择句子;以及从所选择的句子中提取名词短语,其中所提取的名词短语包括在多个短语中,并且所选择的句子中除了所提取的名词短语之外的其余部分从多个短语中被省略。在一些示例性实施例中,接收所述工作类型的多个短语包括:从所述工作类型的一个或多个工作列表中提取多个短语。
在一些示例性实施例中,提取多个短语还包括:基于针对所选择的短语组中的每个短语的对应的相关性测量和对应的多样性测量,来从多个短语中选择短语组。相关性测量包括在所选择的短语组中的对应的所选择的短语与工作类型的相关性的测量,以及多样性测量包括在所选择的短语组中的每个短语与所选择的短语组中其它短语之间的区别的测量。在一些示例性实施例中,从多个短语中选择短语组包括:针对多个短语中的每个短语生成对应的相关性测量,基于它们的对应的相关性测量来对多个短语进行排名,基于第一短语在多个短语中具有最高排名而选择多个短语中的第一短语以包括在短语组中,基于第二短语在多个短语中具有第二高排名来识别多个短语中的第二短语,确定指示在第二短语与第一短语之间的区别的测量的第二短语的多样性测量,并且基于所确定的第二短语的多样性测量来确定是否将第二短语包括在短语组中。
在一些示例性实施例中,放置模块330被配置为针对所提取的多个短语中的每个短语,使用放置分类器来确定用户页面的对应部分以建议所提取的短语的放置。放置分类器被配置为基于所提取的短语来确定对应的部分。在一些示例性实施例中,多个部分包括摘要部分、技能部分、工作经验部分和教育部分中的至少一项。然而,其它类型的部分也在本公开内容的范围内。在一些示例性实施例中,页面包括与用户的简档相关联的用户的简档页面,如上面关于图4所讨论的,或者包括在经由在线服务的工作公告的申请中的用户简历,如上面关于图6所讨论的。然而,其它类型的用户的页面也在本公开内容的范围内。在一些示例性实施例中,对于所提取的多个短语中的每个短语,页面的对应部分包括简档的摘要部分、简档的工作经验部分、简档的教育部分、简档的技能部分以及简档的成就部分。然而,页面的其它类型的部分也在本公开内容的范围内。
在一些示例性实施例中,建议模块340被配置为针对所提取的多个短语中的每个短语,基于所提取的短语和所确定的所提取的短语的对应部分,来针对用户的页面生成对应推荐。对应推荐可以包括建议将对应的所提取的短语添加到用户页面的对应部分。然而,其它类型的推荐也在本公开内容的范围内。
在一些示例性实施例中,对应推荐的生成包括访问在线服务的数据库中存储的在线服务的用户的简档,以及使用神经网络模型基于所访问简档的简档数据来生成用于将可测量成就添加到用户页面的特定部分的建议。神经网络模型被配置为基于所访问简档的简档数据来识别可测量成就。在一些示例性实施例中,简档数据包括用户的当前职称和与当前职称不同的文本数据,并且神经网络模型被配置为基于用户的当前职称和文本数据来识别可测量成就。文本数据可以包括来自用户简档的摘要部分的文本或来自用户简档的工作经验部分的文本,并且可测量成就可以包括文本数据的至少一部分。然而,文本数据的其它配置和可测量成就也在本公开内容的范围内。在一些示例性实施例中,简档数据还包括第一用户的资历级别、第一用户的位置、第一用户的行业以及第一用户在组织中的角色中的至少一项。然而,其它类型的简档数据也在本公开内容的范围内。
在一些示例性实施例中,建议模块340还被配置为使得所生成的推荐显示在用户的计算设备上。在一些示例性实施例中,建议模块340使对应的可选用户界面元素与所生成的推荐中的每一者相关联地显示。图7示出了根据示例性实施例的GUI 700,其中显示了用于优化用户页面的推荐710和720。在图710中,推荐710包括要对用户页面进行的改变的建议。这些推荐710可以应用于页面的不同方面。例如,图7中的推荐710-1可以包括:通过使用重点提高可读性来改善用户简档页面的摘要部分的格式的建议,以及图7中的推荐710-2包括将某些类型的可测量结果添加到用户简档页面的摘要部分的建议。
在一些示例性实施例中,将可测量的结果添加到用户页面的建议包括:基于对用户感兴趣的工作类型(诸如用户感兴趣的角色类型或行业类型)的确定的将可测量结果添加到用户页面的类型或区域的一个或多个指示712。例如,在图7中,推荐710-2包括指示712-1和712-2,所述指示关于用户应当在领导力和A/B测试区域中向用户页面分别添加可测量的结果,以便吸引高级软件工程师的招聘者。其它类型的推荐710也在本公开内容的范围内。其它类型的推荐710的示例包括但不限于编辑页面使得页面的描述部分和页面的标题部分更紧密地连接(例如,描述的内容与标题的文本一致并包括标题的文字)的推荐。
在图7中,推荐720包括将特定短语添加到用户页面的建议。例如,图7中的推荐720-1、720-2、720-3、72-4和720-5包括将特定短语添加到用户页面的建议。这些建议可以包括对应用建议的领域或主题的指示(例如,领导力、A/B测试、协作、工程师、用户研究),该领域或主题对用户感兴趣的工作类型有多重要(例如,高重要性、中等重要性),以及特别建议的短语(例如,“在业务策略方面训练我的团队”)。
在图7所示的示例中,建议720-1、720-2、720-3、720-4和720-5具有对应的可选用户界面元素725-1、725-2、725-3、725-4和725-5,其分别与推荐720-1、720-2、720-3、720-4和720-5相关联地显示。可选用户界面元素725被配置为响应于用户对它们的选择(例如,点击、轻敲),使得与所选用户界面元素725相对应的短语被显示在用户的计算设备上的短语的所确定的对应部分的文本域中。
图8示出了根据示例性实施例的在其中用户可以将用户输入的文本保存到用户页面的一部分的GUI 800。在图8中,用户已经选择了图7中的可选用户界面元素725-1,由此触发或以其它方式使得与所选用户界面元素725-1相对应的短语812显示在用户的计算设备上的短语812的所确定的对应部分的文本域810中。在一些示例性实施例中,文本域810被配置为接收用户输入的文本,使得用户可以从文本域810添加和移除文本。短语812可以包括模板语言,使得短语的一个或多个部分由占位符填充,鼓励用户在占位符中输入文本。例如,虽然图8中所示的短语812读起来是“在商业策略方面训练我的团队”,但是短语812可以替代地读起来是“在Y方面训练X”,以“X”和“Y”作为占位符,或者可以读起来是“在__方面训练__”,以“__”为占位符。GUI 800还可以显示附加短语推荐820。这些附加短语推荐820可以对应于图7中尚未被用户选择的选择数量的推荐720。在图8所示的示例中,GUI 800显示对应于图7中的未选择推荐720-1的附加短语推荐820-1,以及对应于图7中的未选择推荐720-3的附加短语推荐820-2。
在一些示例性实施例中,GUI 800还包括可选用户界面元素830,其被配置为响应于用户对其的选择,来触发将文本域810中的用户输入的文本保存到用户页面的所确定的对应部分。用户输入的文本包括与所选择的用户界面元素725相对应的短语812的至少一部分。建议模块340被配置为存储包括短语812的至少一部分的用户输入的文本,所述文本与响应于或在其它方面基于经由选择可选用户界面元素830来将文本域810中的用户输入的文本保存在用户页面的部分中的用户指令的所确定的用户页面的对应部分相关联地存储在数据库360中。作为与用户页面的对应部分相关联地将用户输入的文本存储在数据库360中的结果,社交网络系统210可以响应于从另一用户的另一计算设备接收到查看用户页面的请求,使该用户页面显示在另一用户的另一计算设备上,其中页面包括用户输入的文本,所述文本包括短语812的至少一部分。
在一些示例性实施例中,建议模块340被配置为访问存储在数据库350中的用户简档,使用神经网络模型基于所访问简档的简档数据来生成用于将可测量成就添加到用户简档的特定部分的建议(或一些其它类型的推荐710或720),并且使所生成的用于添加可测量成就的建议显示在用户的第一计算设备上。神经网络模型可以被配置为在所访问简档的简档数据内识别可测量成就。
在一些示例性实施例中,机器学习模块350被配置为训练和再训练神经网络模型的分类器以识别用户的可测量结果,诸如在所访问的简档数据中指示的可测量结果。训练分类器的一个技术挑战是提供足够的训练数据来有效地训练分类器,使得分类器在其预测中足够准确,以及尽可能多地消除分类器的预测中的混淆。在一些示例性实施例中,机器学习模块350使用包括向量形式的短语的训练数据。机器学习模块350可以分阶段训练分类器。例如,在第一阶段,可以标记一千个示例,并将其用作训练分类器的训练数据。然后,将经训练的分类器用于采样一百万个示例,以查看分类器最不确信的地方,这可以使用针对采样示例的预测似然值进行评估。如果采样示例的似然值非常高(例如,高于0.90)或非常低(例如,低于0.10),则机器学习模块350会知道分类器对其采样示例的分类具有很高的置信水平。然而,当采样示例的似然值在中间附近(例如,在0.35与0.65之间)或者分类器针对除了微小差异外非常相似的两个短语生成明显不同的似然值时,则机器学习模块350会知道分类器被混淆。在一些示例性实施例中,机器学习模块350被配置为选择最混淆的示例以在训练分类器的下一阶段(例如,再训练分类器)中被标记。
在一些示例性实施例中,机器学习模块350被配置为使用第一多个训练数据来训练分类器,其中第一多个训练数据中的每个训练数据包括用户的简档数据、不同于简档数据的文本数据、以及指示第一多个训练数据中的一个训练数据是否符合条件作为可测量成就的标签。在一些示例性实施例中,机器学习模块350还被配置为针对第一多个样本数据中的每个样本数据,使用经训练的分类器来生成指示第一多个样本数据中的一个样本数据对应于可测量成就的可能性的对应似然值,其中第一多个样本数据中的每个样本数据包括用户的简档数据和不同于简档数据的文本数据。在一些示例性实施例中,机器学习模块350还被配置为基于第一多个样本数据的一部分的对应似然值和混淆标准来将第一多个样本数据的一部分识别为与混淆预测相对应,并且然后使用第二多个训练数据来对经训练的分类器进行再训练,其中第二多个训练数据基于对第一多个样本数据的一部分对应于混淆预测的识别而包括第一多个样本数据中的所述部分样本数据。在一些示例性实施例中,第二多个训练数据中的每个训练数据包括用户的简档数据、不同于简档数据的文本数据、以及指示第二多个训练数据中的一个训练数据是否符合条件作为可测量成就的标签。
在一些示例性实施例中,机器学习模块350被配置为重复以下操作:生成针对样本数据的对应似然值;基于对应似然值来将采样数据的一部分识别为与混淆预测相对应;以及使用采样数据的所识别的部分来再训练分类器,直到采样数据的被机器学习模块350识别为与混淆预测相对应的部分低于门限值(例如,直到小于2%的采样数据被识别为与混淆预测相对应)。
在一些示例性实施例中,混淆标准包括对应似然值低于最小门限值以及高于最大门限值。例如,混淆标准可以包括在低于65%与高于35%之间的对应似然值,由于似然值不是很高并且不是很低,所以机器学习模块350可以将其解释为混淆的分类器。
在一些示例性实施例中,混淆标准包括两个条件,所述条件解决了分类器针对两个非常相似但不相同的短语已经生成了明显不同的似然值的情况。第一条件是,在多个样本数据的一部分中的一个样本数据的对应似然值与多个样本数据的一部分中的另一个样本数据的对应似然值之间的差大于门限差值。第二条件是,在多个样本数据的一部分中的一个样本数据的文本数据与多个样本数据的一部分中的另一个样本数据的文本数据之间的差小于门限文本差。
图9是示出根据示例性实施例的提供用于优化用户页面的推荐的方法900的流程图。方法900可以由处理逻辑单元来执行,所述处理逻辑单元可以包括硬件(例如,电路、专用逻辑单元、可编程逻辑单元、微代码等)、软件(例如,在处理设备上运行的指令)、或其组合。在一个实现方式中,方法900由图3的优化系统216或其一个或多个模块的任意组合执行,如上所述。
在操作910处,优化系统216基于多个工作公告中的每个工作公告的对应特征数据,将在线服务上发布的多个工作公告识别为与工作类型相对应。在一些示例性实施例中,多个工作公告中的每个工作公告的对应特征数据包括组织内的角色、资历级别、行业和工作职能中的至少一项。其它类型的特征数据也在本公开内容的范围内。
在操作920处,优化系统216基于针对多个短语中的每个短语的对应的相关性测量和对应的多样性测量,从所识别的多个工作公告中提取多个短语。在一些示例性实施例中,相关性测量包括测量对应短语与工作类型的相关性,以及多样性测量包括测量在对应短语与多个短语中的其它短语之间的区别。在一些示例性实施例中,对于所提取的多个短语中的每个短语,页面的对应部分包括简档的摘要部分、简档的工作经验部分、简档的教育部分、简档的技能部分以及简档的成就部分中的一项。页面的其它类型的部分也在本公开内容的范围内。
在操作930处,针对所提取的多个短语中的每个短语,优化系统216使用放置分类器来确定第一用户的页面的对应部分,以针对所提取的短语的放置进行建议。在一些示例性实施例中,放置分类器被配置为基于所提取的短语来确定对应的部分。
在一些示例性实施例中,页面包括与第一用户的简档相关联的第一用户的简档页面,其中简档与第一用户的简档相关联地存储于在线服务的数据库中。在一些示例性实施例中,页面包括第一用户的简历,所述简历包括在经由在线服务的对工作公告的申请中。其它类型的页面也在本公开内容的范围内。
在操作940处,针对所提取的多个短语中的每个短语,优化系统216基于所提取的短语和所提取短语的确定的对应部分,针对第一用户的页面生成对应推荐。在一些示例性实施例中,对应推荐包括对应的所提取短语到第一用户的页面的对应部分的建议添加。
在操作950处,优化系统216使生成的推荐显示在第一用户的第一计算设备上。在一些示例性实施例中,使所生成的推荐显示在第一用户的第一计算设备上包括:使对应的可选用户界面元素与所生成推荐中的每个推荐相关联地被显示。
在操作960处,优化系统216从第一用户的第一计算设备接收所显示的推荐中的一个推荐的对应的可选用户界面元素的用户选择。
在操作970处,优化系统216响应于用户选择,使与所选用户界面元素相对应的所提取短语显示在第一用户的第一计算设备上的所提取短语的确定的对应部分的文本域中显示。在一些示例性实施例中,文本域被配置为接收用户输入的文本。
在操作980处,优化系统216从第一用户的第一计算设备接收指令以将在文本域中的用户输入的文本保存到第一用户的页面的确定的对应部分。在一些示例性实施例中,用户输入的文本包括与所选用户界面元素相对应的所提取短语的至少一部分。
在操作990处,优化系统216将用户输入的文本与响应于或在其它方面基于在操作980处从用户接收到的指令的确定的第一用户的页面的对应部分相关联地存储在数据库中,所述用户输入的文本包括所提取短语的至少一部分。
预期可以将本公开内容内描述的其它特征中的任何特征合并到方法900中。
图10是示出根据示例性实施例的显示用户页面的方法1000的流程图。方法1000可以通过处理逻辑单元来执行,处理逻辑单元可以包括硬件(例如,电路、专用逻辑单元、可编程逻辑单元、微代码等)、软件(例如,在处理设备上运行的指令)、或其组合。在一个实现方式中,方法1000由图3的优化系统216或其一个或多个模块的任意组合执行,如上所述。
在一些示例性实施例中,方法1000包括操作1010和1020,其在图9中的方法900的操作990之后执行。在操作1010处,优化系统216从第二用户(例如,与页面所对应的用户不同的用户)的第二计算设备接收查看第一用户的页面的请求。在操作1020处,优化系统216响应于或在其它方面基于操作1010处接收到的请求,使第一用户的页面显示在第二用户的第二计算设备上。在一些示例性实施例中,页面包括用户输入的文本,所述文本包括在图9的方法900的操作990处存储的所提取短语的至少一部分。
预期可以将本公开内容内描述的任何其它特征合并到方法1000中。
图11是示出根据示例性实施例的提供用于优化用户页面的推荐的另一方法1100的流程图。方法1100可以通过处理逻辑单元来执行,处理逻辑单元可以包括硬件(例如,电路、专用逻辑单元、可编程逻辑单元、微代码等)、软件(例如,在处理设备上运行的指令)、或其组合。在一个实现方式中,方法1100由图3的优化系统216或其一个或多个模块的任意组合执行,如上所述。在一些示例性实施例中,方法1100包括操作1110、1120和1130,其在图9中的方法900的操作940之前执行。
在操作1110处,优化系统216接收在在线服务上发布的多个工作公告。在一些示例性实施例中,接收多个工作公告包括:访问与第一用户的简档相关联地存储在数据库中的第一用户的用户活动数据,确定用户活动数据指示第一用户对多个工作公告感兴趣,并且基于确定用户活动数据指示第一用户对多个工作空缺感兴趣来选择多个工作公告。在一些示例性实施例中,用户活动数据包括查看工作列表和提交针对工作列表的申请中的至少一项。其它类型的活动数据也在本公开内容的范围内。
在操作1120处,优化系统216基于子集中每个工作公告的对应特征数据,来确定多个工作公告的子集满足相似性标准,子集包括多个工作公告。在一些示例性实施例中,确定多个工作公告的子集满足相似性标准包括:使用至少一个过滤器来确定多个工作公告的子集中的每个工作公告的对应特征数据与过滤器特征数据匹配。在一些示例性实施例中,确定多个工作公告的子集满足相似性标准包括:使用语义匹配来确定多个工作公告的子集中的每个工作公告的对应特征数据包括与多个工作公告的子集中的其它工作公告的对应特征数据相似的含义。
在操作1130处,优化系统216基于在操作1120中确定子集满足相似性标准来选择多个工作公告的子集。然后,方法1100可以进行到先前关于图9的方法900所讨论的操作940,其中优化系统216基于所选的工作公告子集针对第一用户的页面生成推荐,其中推荐包括建议向第一用户的页面添加内容,以及然后进行先前关于图9的方法900所讨论的操作950,其中优化系统216使针对第一用户的页面生成的推荐显示在第一用户的计算设备上。
预期可以将本公开内容内描述的任何其它特征合并到方法1100中。
图12是示出根据示例性实施例的提供用于优化用户页面的推荐的又一方法1200的流程图。方法1200可以通过处理逻辑单元来执行,处理逻辑单元可以包括硬件(例如,电路、专用逻辑单元、可编程逻辑单元、微代码等)、软件(例如,在处理设备上运行的指令)或其组合。在一个实现方式中,方法1200由图3的优化系统216或其一个或多个模块的任意组合执行,如上所述。在一些示例性实施例中,方法1200包括操作1210和1220,其在图9中的方法900的操作940之前执行。
在操作1210处,优化系统216接收针对工作类型的多个短语。在一些示例性实施例中,接收针对工作类型的多个短语包括:基于所选的句子被确定为包括与组织内的角色对应的角色依赖信息,从该工作类型的一个或多个工作列表中选择句子,并且从所选句子中提取名词短语。在一些示例性实施例中,所提取的名词短语包括在多个短语中,并且所选句子中除了所提取的名词短语之外的其余部分从多个短语被省略。在一些示例性实施例中,接收针对工作类型的多个短语包括:从该工作类型的一个或多个工作列表中提取多个短语。
在操作1220处,优化系统216基于针对所选择的短语组中每个短语的对应的相关性测量和对应的多样性测量,从多个短语中选择短语组。在一些示例性实施例中,相关性测量包括测量在所选择的短语组中的对应所选短语与工作类型的相关性,以及多样性测量包括测量在所选择的短语组中的每个短语与所选择的短语组中的其它短语之间的区别。在一些示例性实施例中,从多个短语中选择短语组包括:针对多个短语中的每个短语生成对应的相关性测量,基于它们的对应的相关性测量对多个短语进行排名,基于多个短语中的第一短语在多个短语中具有最高排名而选择第一短语以包括在短语组中,基于多个短语中的第二短语在多个短语中具有第二高排名来识别第二短语,确定指示在第二短语与第一短语之间的区别的测量的第二短语的多样性测量,并且基于所确定的第二短语的多样性测量来确定是否将第二短语包括在短语组中。
然后,方法1200可以进行到先前关于图9的方法900所讨论的操作940,其中优化系统216基于所选择的工作公告子集针对第一用户的页面生成推荐,其中推荐包括建议向第一用户的页面添加内容,以及然后进行先前关于图9的方法900所讨论的操作950,其中优化系统216使所生成的针对第一用户的页面的推荐显示在第一用户的计算设备上。
预期可以将本公开内容内描述的任何其它特征合并到方法1200中。
图13是示出根据示例性实施例的提供用于优化用户页面的推荐的又一方法1300的流程图。方法1300可以通过处理逻辑单元来执行,处理逻辑单元可以包括硬件(例如,电路、专用逻辑单元、可编程逻辑单元、微代码等)、软件(例如,在处理设备上运行的指令)或其组合。在一个实现方式中,方法1300由图3的优化系统216或其一个或多个模块的任意组合执行,如上所述。在一些示例性实施例中,方法1300包括操作1310和1320,其在图9中的方法900的操作940之前执行。
在操作1310处,优化系统216接收多个短语。在操作1320处,针对多个短语中的每个短语,优化系统216使用放置分类器来从多个部分中选择第一用户的页面的对应部分以建议对短语的放置。在一些示例性实施例中,放置分类器被配置为基于短语来确定对应的部分。在一些示例性实施例中,多个部分包括摘要部分、技能部分、工作经验部分和教育部分中的至少一项。其它类型的部分也在本公开内容的范围内。
然后,方法1300可以进行到先前关于图9的方法900所讨论的操作940,其中优化系统216基于所选择的工作公告子集针对第一用户的页面生成推荐,其中推荐包括建议向第一用户的页面添加内容,以及然后进行到先前关于图9的方法900所讨论的操作950,其中优化系统216使所生成的针对第一用户的页面的推荐显示在第一用户的计算设备上。
预期可以将本公开内容内描述的任何其它特征合并到方法1300中。
图14是示出根据示例性实施例的提供用于优化用户页面的建议的方法1400的流程图。方法1400可以通过处理逻辑单元来执行,处理逻辑单元可以包括硬件(例如,电路、专用逻辑单元、可编程逻辑单元、微代码等)、软件(例如,在处理设备上运行的指令)或其组合。在一个实现方式中,方法1400由图3的优化系统216或其一个或多个模块的任意组合执行,如上所述。
在操作1410处,优化系统216访问存储于在线服务的数据库中的在线服务的第一用户的简档。在操作1420处,优化系统216使用神经网络模型基于所访问的简档的简档数据来生成针对将可测量成就添加到第一用户的页面的特定部分的建议,所述神经网络模型被配置为基于所访问的简档的简档数据来识别可测量成就。在操作1430处,优化系统216使所生成的针对添加可测量成就的建议显示在第一用户的第一计算设备上。
在一些示例性实施例中,简档数据包括第一用户的当前职称和与当前职称不同的文本数据,并且神经网络模型被配置为基于第一用户的当前职称和文本数据来识别可测量成就。在一些示例性实施例中,文本数据包括来自第一用户的简档的摘要部分的文本或来自第一用户的简档的工作经验部分的文本,并且可测量成就包括文本数据的至少一部分。在一些示例性实施例中,简档数据还包括第一用户的资历级别、第一用户的位置、第一用户的行业以及第一用户在组织中的角色中的至少一项。
在一些示例性实施例中,操作1430包括使可选择用户界面元素与所生成的建议相关联地显示。在一些示例性实施例中,优化系统216从第一用户的第一计算设备接收对所显示的建议中的一者的可选用户界面元素的用户选择,并且响应于用户选择,使可测量成就显示在第一用户的第一计算设备上的第一用户的页面的特定部分的文本域中。在一些示例性实施例中,优化系统216还被配置为从第一用户的第一计算设备接收指令以将在文本域中的用户输入的文本保存到第一用户的页面的特定部分,其中用户输入的文本包括可测量成就的至少一部分,并且与第一用户的页面的特定部分相关联地将包括可测量成就的至少一部分的用户输入的文本存储于数据库中。在一些示例性实施例中,页面的特定部分包括页面的摘要部分或页面的工作经验部分。页面的其它类型的部分也在本公开内容的范围内。
预期可以将本公开内容内描述的任何其它特征合并到方法1400中。
图15是示出了根据示例性实施例的训练分类器用于提供用于优化用户页面的建议的方法1500的流程图。方法1500可以通过处理逻辑单元来执行,处理逻辑单元可以包括硬件(例如,电路、专用逻辑单元、可编程逻辑单元、微代码等)、软件(例如,在处理设备上运行的指令)或其组合。在一个实现方式中,方法1500由图3的优化系统216或其一个或多个模块的任意组合执行,如上所述。在一些示例性实施例中,方法1500包括操作1510、1520、1530和1540,其在图14中的方法1410的操作14100之前执行。
在操作1510处,优化系统216使用第一多个训练数据来训练分类器。在一些示例性实施例中,第一多个训练数据中的每个训练数据包括用户的简档数据,不同于简档数据的文本数据,以及指示第一多个训练数据中的一个训练数据是否符合条件作为可测量成就的标签。
在操作1520处,针对第一多个样本数据中的每个样本数据,优化系统216使用经训练的分类器来生成指示第一多个样本数据中的一个样本数据对应于可测量成就的可能性的对应似然值。在一些示例性实施例中,第一多个样本数据中的每个样本数据包括用户的简档数据和不同于简档数据的文本数据。
在操作1530处,优化系统216基于第一多个样本数据的一部分的对应似然值和混淆标准来将第一多个样本数据的一部分识别为与混淆预测相对应的。在一些示例性实施例中,混淆标准包括对应似然值低于最小门限值以及高于最大门限值。在一些示例性实施例中,混淆标准包括第一条件和第二条件。第一条件包括多个样本数据的一部分中的一个样本数据的对应似然值与多个样本数据的一部分中的另一个样本数据的对应似然值之间的差大于门限差值;以及第二条件包括在多个样本数据的一部分中的一个样本数据的文本数据与多个样本数据的一部分中的另一个样本数据的文本数据之间的差小于门限文本差。
在操作1540处,优化系统216使用第二多个训练数据对经训练的分类器进行再训练。在一些示例性实施例中,第二多个训练数据基于将第一多个样本数据的一部分识别为对应于混淆预测来包括第一多个样本数据中的所述部分。在一些示例性实施例中,第二多个训练数据中的每个训练数据包括用户的简档数据、不同于简档数据的文本数据、以及指示第二多个训练数据中的一个训练数据是否符合条件作为可测量成就的标签。
然后,方法1500可以进行到先前相对于图14的方法1400所讨论的操作1410,其中优化系统216访问存储于在线服务的数据库中的在线服务的第一用户的简档,以及然后进行先前关于图14的方法1400所讨论的操作1420,其中优化系统216生成针对将所识别的可测量成就添加到第一用户的页面的特定部分的建议。在一些示例性实施例中,优化系统216使用再训练的分类器基于第一用户的经访问的简档的简档数据来识别第一用户的可测量成就。
在一些示例性实施例中,优化系统216被配置为重复操作1520、1530和1540,生成针对样本数据的对应似然值,基于对应似然值将采样数据的一部分识别为与混淆预测相对应,以及使用采样数据的所识别的部分再训练分类器,直到与混淆预测相对应的、被优化系统216识别出的采样数据的部分低于门限值为止(例如,直到小于2%的采样数据被识别为对应于混淆预测为止)。
预期可以将本公开内容内描述的任何其它特征合并到方法1500中。
在一些示例性实施例中,进行以下内容的操作采用下文讨论的一个或多个实现特征的任意组合:识别工作公告,从所识别的工作公告中提取短语,确定页面的对应部分以建议所提取的短语的放置,针对页面生成推荐,以及显示以上讨论的所生成的推荐。
在一些示例性实施例中,优化系统216使用某些技术来评估自由文本内容。在一些示例性实施例中,自由文本中的每个词语可以被表示为向量。给定训练词语的序列,优化系统216采用的词语向量模型的目标可以是在给定其周围上下文的情况下最大化词语的平均对数概率,诸如:
可以经由诸如柔性最大值传输函数(softmax)或归一化指数函数的多类分类器来执行预测任务:
对于每个输出字i,yi中的每一者是未归一化的对数概率,计算为:
y=b+Uh(wt-k,…,wt+k;W),
其中U,b是softmax参数,h由从W提取的词语向量的串联或平均值构成。
在一些示例性实施例中,优化系统216将词语表示概念扩展到句子和段落,诸如简档和工作公告中的那些内容。以下嵌入方法已被证明有效,并且可由优化系统216用于表示任意文本(可以称为文档)长度,以便与常见的学术术语一致:Doc2Vec—使用嵌入网络来推断整个文件的向量;FastText—通过在单次线性通过文本时对文本的组成(词语和n元语法)的预先计算出的表示进行平均,来根据预先训练的模型推断文档嵌入;以及通用句子编码器—使用深度平均网络将多个词语表示组合为句子/段落或文档表示。
在一些示例性实施例中,一旦选择了将令牌集合嵌入到向量中的算法,优化系统216就再次使用相同算法来计算文档嵌入并分别计算每个候选短语的嵌入,这可以用作对下游排名模型的输入。在一些示例性实施例中,计算文档嵌入包括降噪过程,该过程可以包括仅使用文档中被认为“重要”的句子子集,或者仅使用在输入句子(例如,工作描述或简档的句子)中包含的形容词和名词。
嵌入可以在理解包含于自由文本域中的属性时起关键作用。然而,它们最终具有局限性。虽然可以容易地将文本转换为连续值的向量,但不能容易地将向量转换为语法正确的文本。另外,不清楚如何操纵文本以从起始表示转换为最终表示,同时遵守明确的句法规则。因此,在一些示例性实施例中,优化系统216使用质量简档检测技术,其中根据主谓宾文法结构(其中主语隐含地是页面的作者(例如,所讨论的简历或简档页面所对应的用户),动词是表达的方法,以及宾语被表达),将诸如推荐的建议短语之类的建议文本提供为包括动词和宾语的元组。
在一些示例性实施例中,优化系统216将质量简档检测的问题处理为两个子问题—检测和排名。在检测方面,优化系统216确定简档在其自由文本域中表达的内容。在排名方面,优化系统216确定可以在用户页面中(例如,在用户的简档或简历中)更大量地表达什么内容。
在一些示例性实施例中,优化系统216通过给定动词和宾语类型的固定词汇表V和O来解决检测方面,我们可以将检测公式化为分类问题:
argmaxv∈V,o∈OP(v,o|sentence)。
关于先前讨论的任意句子长度的嵌入,优化系统216可以在制定分类以检测固定集合的动词-宾语对时播种针对语义相似性的预先训练的嵌入:
其中S表示可以由动词-宾语对v-o描述的所有句子。
替代地,由于每个句子(或句子组)可以通过多个动词-宾语对进行描述,因此优化系统216可以针对长度为|V|+|O|的二进制向量进行优化,而不是针对连续值P优化损耗输出,其中第一|V|维度可以映射到预先定义的动词词典,以及其余的可以映射到预先定义的宾语类型词典。这允许优化系统216在动词和宾语的分布上表示句子或甚至段落。
在一些示例性实施例中,优化系统216使用向用户呈现对他们的页面(诸如,他们的简历和简档页面)的可操作的组成改善的目标来解决排名方面。在一些示例性实施例中,优化系统216基于生成的招聘者兴趣来评估简档,对于两个不同的求职部分(主动求职者和被动求职者),可以不同地捕获所述招聘者兴趣。对于主动求职者,可以在用户已经申请工作后基于招聘者是否向用户发送电子邮件(诸如开始面试过程)来衡量成功。对于被动求职者,可以基于招聘者的电子邮件而独立于用户申请工作来衡量成功。在此,优化系统216可以基于招聘者可能已经发布的最近工作的聚合来确定工作。例如,如果五个招聘者联系了用户,而用户对其中三个进行响应,则该用户的工作兴趣可以基于这三个招聘者的公告的聚合。
使用y=1表示成功,优化系统216可以针对以下进行优化:
其中f将句子片段s从位置描述、摘要或标题投射到语义嵌入空间中,g将嵌入向量投射到动词-宾语空间中,和分别是在动词和宾语词汇上定义的单位向量,并且是用户工作兴趣的向量表示。嵌入函数f可以在单个句子分类中跨多个文本片段使用。然而,在该示例中,优化系统216针对单个分类、位置标题和描述位置的块独立地投射两个文本片段。在一些示例性实施例中,项可以被丢弃,并且优化系统216针对以下进行优化:
在一些示例性实施例中,最终的结果是给定的配对(例如,标题和工作描述),以及优化系统216对简档中最可能增加招聘者兴趣的所有V-O对进行排名。例如,如果最推荐的是量化-成就,这意味着向工作描述添加可测量的成就将使简档对招聘者来说更能引起兴趣。
在一些示例性实施例中,简档组成优化取决于对用户的工作兴趣的理解。为了获得这种理解,优化系统216可以跨越用户已经与其进行了交互的工作公告来利用摘要技术。在一些示例性实施例中,优化系统216从文本中提取候选短语,诸如基于词性序列。在一些示例性实施例中,优化系统216仅保留由零个或更多个形容词后跟一个或多个名词组成的那些短语。在一些示例性实施例中,优化系统216还使用句子嵌入来在相同的高维向量空间中代表候选短语和文件本身两者,以及然后对候选短语进行排名以选择输出关键短语。另外,优化系统216可以通过提供对所提取的关键短语的多样性进行调整的方式来改善排名步骤。
虽然蛮力方法可以将文档中的所有词语和/或短语视为候选关键短语,但是这种方法具有其缺点。给定蛮力方法的计算成本以及并非文档中的所有词语和短语都同样可能传达其内容的事实,优化系统216可以在执行候选短语选择时采用启发法来识别较好候选的较小子集。优化系统216可以采用的启发法的示例包括但不限于:去除停用词和标点,过滤具有某些词性的词语,或者过滤多词短语、某些词性(POS)模式,并使用外部知识库作为好/坏关键短语的参考来源。
在一些示例性实施例中,优化系统216不是采取所有的n元语法(其中1≤n≤5),而是将自身限制为仅匹配POS模式{(<JJ>*<NN.*>+<IN>)?<JJ>*<NN.*>+}的名词短语,这匹配任意数量的形容词后跟至少一个名词,这些名词可以通过介词连接到一个其它形容词+名词序列。这种POS模式只是一个示例。该模式也可以扩展为包括其它模式。
在一些示例性实施例中,优化系统216针对存在足够指示表明用户感兴趣或将感兴趣的单个工作生成推荐。朴素的方法将返回最像从中提取出短语的工作公告的前N个短语。在用户直接看到所提取的关键短语(例如,文本摘要、用于搜索的标记)的情况下,这是有问题的,因为这可能会导致多余的关键短语对用户的体验产生不利影响,这可能恶化到提供关键短语变得完全无用的地步。此外,在提取固定数量的前几个关键短语时,冗余会阻碍所提取的关键短语的多样化。
在一些示例性实施例中,优化系统216采用最大边际相关性(MMR)度量来解决多样性问题。MMR度量的使用以可控制的方式组合了相关性和多样性的概念。以下描述了如何使MMR适应关键短语提取,以便将关键短语信息性与所选关键短语之间的不同进行组合。
来自信息取回和文本摘要的原始MMR基于针对给定输入查询Q的所有初始取回文档R的集合,以及基于代表被选择为针对Q的良好答案的文档的初始空集合S。通过按如下等式所述计算MMR来迭代填充S,其中Di和Dj是取回的文档,以及Sim1和Sim2是相似性函数。
为了使用MMR来总结单个工作Di,优化系统216可以使其采用如下的某种表示法:
其中R是候选关键短语的集合,S是迭代填充的摘要,Di是完整文档嵌入,以及Dij和Dik分别是候选短语j和k的嵌入。
在一些示例性实施例中,优化系统216针对存在足够指示表明用户感兴趣或将感兴趣的多个工作生成推荐。优化系统216可以诸如通过使用以下任何方法来扩展用于多工作公告情况的MMR技术。
在第一种方法中:
其中D是代表成员感兴趣的所有工作的文档向量。
在第二种方法中:
其中D是代表成员感兴趣的所有工作的文档向量。
在第三种方法中:
在第四种方法中:
图16是示出根据示例性实施例的移动设备1600的框图。移动设备1600可以包括处理器1602。处理器1602可以是适合于移动设备1600的各种不同类型的商业可用处理器中的任何一种(例如,XScale架构微处理器,无互锁管线阶段微处理器(MIPS)架构处理器或其它类型的处理器)。处理器1602通常可访问存储器1604,诸如随机存取存储器(RAM),闪存或其它类型的存储器。存储器1604可以适于存储操作系统(OS)1606,以及应用程序1608,诸如可以向用户提供基于位置的服务(LBS)的支持移动位置的应用。处理器1602可以直接或经由适当的中间硬件耦合到显示器1610以及耦合到一个或多个输入/输出(I/O)设备1612,诸如小键盘、触摸面板传感器、麦克风等。类似地,在一些实施例中,处理器1602可以耦合到与天线1616接口的收发器1614。收发器1614可以被配置为经由天线1616发送和接收蜂窝网络信号、无线数据信号或其它类型的信号,这取决于移动设备1600的性质。此外,在一些配置中,GPS接收机1618还可以利用天线1616来接收GPS信号。
本文将某些实施例描述为包括逻辑单元或多个组件、模块或机制。模块可以构成软件模块(例如,在(1)非暂时性机器可读介质上或在(2)传输信号中体现的代码)或硬件实现的模块。硬件实现的模块是能够执行某些操作并以某种方式配置或布置的有形单元。在示例性实施例中,一个或多个计算机系统(例如,独立的、客户端或服务器计算机系统)或者一个或多个处理器可以由软件(例如,应用或应用部分)配置为操作以执行本文描述的某些操作的硬件实现的模块。
在各种实施例中,硬件实现的模块可以机械地或电子地实现。例如,硬件实现的模块可以包括专用电路或逻辑单元,其被永久配置(例如作为专用处理器,诸如现场可编程门阵列(FPGA)或专用集成电路(ASIC))以执行某些操作。硬件实现的模块还可以包括由软件临时配置为执行某些操作的可编程逻辑单元或电路(例如,包含于通用处理器或其它可编程处理器内)。将理解,可以由成本和时间考虑来驱动决定在专用且永久配置的电路中或在临时配置的电路(例如,由软件配置)中机械地实现硬件实现的模块。
因此,术语“硬件实现的模块”应被理解为包括有形实体,是一种物理地构造、永久地配置(例如,硬接线)或临时或暂时地配置(例如,编程)为以某种方式操作和/或执行本文所述的某些操作的实体。考虑在其中临时配置(例如,编程)硬件实现的模块,每个硬件实现的模块不需要在时间上任何一个实例处被配置或实例化。例如,在硬件实现的模块包括使用软件配置的通用处理器的情况下,通用处理器可以在不同的时间被配置为各个不同的硬件实现的模块。软件可以相应地配置处理器,例如,以在一个时间实例处构成特定的硬件实现的模块,并在不同的时间实例处构成不同的硬件实现的模块。
硬件实现的模块可以向其它硬件实现的模块提供信息并从其它硬件实现的模块接收信息。因此,所描述的硬件实现的模块可以被认为是通信耦合的。在同时存在多个这种硬件实现的模块的情况下,可以通过连接硬件实现的模块的信号传输(例如,通过适当的电路和总线)来实现通信。在其中在不同时间配置或实例化多个硬件实现的模块的实施例中,可以例如通过在多个硬件实现的模块可访问的存储器结构中存储和取回信息来实现这种硬件实现的模块之间的通信。例如,一个硬件实现的模块可以执行操作,并将该操作的输出存储在与其通信耦合的存储器设备中。然后,另一硬件实现的模块可以在稍后访问存储器设备以取回和处理所存储的输出。硬件实现的模块还可以发起与输入或输出设备的通信,并且可以在资源(例如,信息的集合)上进行操作。
本文描述的示例方法的各种操作可以至少部分地由被临时配置(例如,通过软件)或永久配置为执行相关操作的一个或多个处理器执行。无论是临时配置还是永久配置,这样的处理器都可以构成处理器实现的模块,这些模块可以操作以执行一个或多个操作或功能。在一些示例性实施例中,本文所指的模块可以包括处理器实现的模块。
类似地,本文描述的方法可以至少部分地由处理器实现。例如,方法的至少一些操作可以由一个或多个处理器或处理器实现的模块执行。某些操作的执行可以分布在一个或多个处理器之间,所述处理器不仅可以驻留在单个机器内,而且可以跨多个机器部署。在一些示例性实施例中,一个或多个处理器可以位于单个位置(例如,在家庭环境、办公室环境内或作为服务器场),而在其它实施例中,处理器可以分布在多个位置。
一个或多个处理器还可以在“云计算”环境中或作为“软件即服务”(SaaS)来支持相关操作的执行。例如,可以通过计算机组(作为包括处理器的机器的示例)执行至少一些操作,这些操作可以经由网络(例如互联网)以及经由一个或多个适当的接口(例如应用程序接口(API))进行访问。
示例性实施例可以以数字电子电路或计算机硬件、固件、软件或它们的组合实现。可以使用计算机程序产品来实现示例性实施例,例如有形地体现在信息载体中(例如在机器可读介质中)的计算机程序,以由数据处理装置(例如,可编程处理器、计算机或多个计算机)执行或控制该数据处理装置的操作。
计算机程序可以用任何形式的编程语言(包括编译或解释语言)编写,并且可以以任何形式进行部署,包括作为独立程序或作为模块、子例程或适用于计算环境中的其它单元。可以将计算机程序部署为在一个站点处的一台计算机或多台计算机上执行,或者分布在多个站点处并通过通信网络互连。
在示例性实施例中,可以由执行计算机程序以通过对输入数据进行操作并生成输出来执行功能的一个或多个可编程处理器来执行操作。方法操作也可以由专用逻辑电路执行,并且示例性实施例的装置可以被实现为专用逻辑电路,例如现场可编程门阵列(FPGA)或专用集成电路(ASIC)。
计算系统可以包括客户端和服务器。客户端和服务器通常彼此远离,并且通常通过通信网络进行交互。客户端和服务器之间的关系是通过在各自计算机上运行并彼此具有客户端-服务器关系的计算机程序产生的。在部署可编程计算系统的实施例中,将认识到,硬件和软件架构两者均值得考虑。具体地,将意识到,选择是在永久配置的硬件(例如,ASIC)、在临时配置的硬件(例如,软件和可编程处理器的组合)还是在永久和临时配置的硬件的组合中实现某些功能的选择可以是设计选择。下文在各种示例性实施例中阐述了可以部署的硬件(例如,机器)和软件架构。
图17是根据示例性实施例的可以在其上执行本文描述的方法的示例计算机系统1700的框图。在替代实施例中,机器作为独立设备运行,或者可以连接(例如联网)到其它机器。在网络化部署中,机器可以在服务器-客户端网络环境中以服务器或客户端机器的能力运行,或者在对等(或分布式)网络环境中作为对等机器运行。机器可以是个人计算机(PC),平板PC,机顶盒(STB),个人数字助理(PDA),蜂窝电话,网络设备,网络路由器,交换机或桥接器,或者能够执行指定该机器将采取的动作的指令(顺序的或其它方式)的任何机器。此外,虽然仅示出了单个机器,但是术语“机器”也应被理解为包括机器的任何集合,这些机器单独地或共同地执行指令集合(或多个集合)以执行本文讨论的任何一种或多种方法。
示例性计算机系统1700包括处理器1702(例如,中央处理单元(CPU)、图形处理单元(GPU)或两者),主存储器1704和静态存储器1706,它们经由总线1708彼此通信。计算机系统1700还可以包括图形显示单元1710(例如,液晶显示器(LCD)或阴极射线管(CRT))。计算机系统1700还包括字母数字输入设备1712(例如,键盘或触敏显示屏),用户界面(UI)导航设备1714(例如,鼠标),存储单元1716,信号生成设备1718(例如,扬声器)和网络接口设备1720。
存储单元1716包括机器可读介质1722,在其上存储了一个或多个集合的指令和数据结构(例如,软件)1724,这些指令和数据结构体现本文描述的任何一种或多种方法或功能或由上述内容利用。在计算机系统1700执行指令1724期间,指令1724也可以全部或至少部分地驻留在主存储器1704内和/或处理器1702内,主存储器1704和处理器1702也构成机器可读介质。
虽然在示例性实施例中将机器可读介质1722示出为单个介质,但是术语“机器可读介质”可以包括存储一个或多个指令1724或数据结构的单个介质或多个介质(例如,集中式或分布式数据库,和/或关联的高速缓存和服务器)。术语“机器可读介质”也应被认为包括任何有形介质,其能够存储、编码或携带由机器执行的指令(例如,指令1724)并使机器执行本公开内容的任意一种或多种方法,或者能够存储、编码或携带由此类指令利用或与其关联的数据结构。因此,术语“机器可读介质”应被认为包括但不限于固态存储器以及光和磁介质。机器可读介质的特定示例包括非易失性存储器,例如包括半导体存储设备,例如,可擦除可编程只读存储器(EPROM),电可擦除可编程只读存储器(EEPROM)和闪存设备;磁盘,诸如内部硬盘和可移动磁盘;磁光盘;以及CD-ROM和DVD-ROM磁盘。
指令1724还可以使用传输介质在通信网络1726上被发送或接收。可以使用网络接口设备1720和多种公知的传输协议中的任何一种(例如,HTTP)来发送指令1724。通信网络的示例包括局域网(“LAN”)、广域网(“WAN”)、互联网、移动电话网络、普通老式电话服务(POTS)网络以及无线数据网络(例如,WiFi和WiMax网络)。术语“传输介质”应被认为包括能够存储、编码或携带用于由机器执行的指令的任何无形介质,并且包括数字或模拟通信信号或其它无形介质以促进这种软件的通信。
以下编号的示例是实施例。
1、一种计算机实现的方法,包括:
通过具有存储器和至少一个硬件处理器的计算机系统,基于在在线服务上公布的多个工作公告中的每个工作公告的对应特征数据来将多个工作公告识别为对应于工作的类型;
通过计算机系统基于针对多个短语中的每个短语的对应的相关性测量和对应的多样性测量来从所识别的多个工作公告中提取多个短语,所述相关性测量包括对对应短语与工作类型的相关性的测量,并且所述多样性测量包括对在对应短语与多个短语中其它短语之间区别的测量;
对于所提取的多个短语中的每个短语,通过计算机系统使用放置分类器来确定第一用户页面的对应部分以建议所提取的短语的放置,所述放置分类器被配置为基于所提取的短语来确定对应部分;
对于所提取的多个短语中的每个短语,通过计算机系统基于所提取的短语和所确定的所提取的短语的对应部分来生成针对第一用户的页面的对应推荐,所述对应推荐包括建议向第一用户页面的对应部分添加对应的所提取的短语;以及
通过计算机系统使所生成的推荐显示在第一用户的第一计算设备上。
2、根据示例1所述的计算机实现的方法,其中,使所生成的推荐显示在第一用户的第一计算设备上包括:使对应的可选用户界面元素与所生成的推荐中的每一者相关联地显示,并且所述计算机实现的方法还包括:
通过计算机系统从第一用户的第一计算设备接收对所显示的推荐中的一个推荐的对应的可选用户界面元素的用户选择;
响应于用户选择,通过计算机系统使与所选择的用户界面元素相对应的所提取的短语显示在第一用户的第一计算设备上的所确定的所提取的短语的对应部分的文本域中,所述文本域被配置为接收用户输入的文本;
通过计算机系统接收来自第一用户的第一计算设备的将文本域中的用户输入的文本保存到所确定的第一用户的页面的对应部分的指令,所述用户输入的文本包括所提取的短语的对应于所选择的用户界面元素的至少一部分;以及
通过计算机系统将包括所提取的短语的至少一部分的用户输入的文本与所确定的第一用户的页面的对应部分相关联地存储在数据库中。
3、根据示例2所述的计算机实现的方法,还包括:
通过计算机系统从第二用户的第二计算设备接收查看第一用户的页面的请求;以及
通过计算机系统使第一用户的页面显示在第二用户的第二计算设备上,所述页面包括用户输入的文本,所述用户输入的文本包括所提取的短语的至少一部分。
4、根据示例1至3中任一项所述的计算机实现的方法,其中,所述页面包括与第一用户的简档相关联的第一用户的简档页面,所述简档与第一用户的简档相关联地存储于在线服务的数据库中。
5、根据示例1至4中任一项所述的计算机实现的方法,其中,所述页面包括第一用户的简历,所述第一用户的简历包括在经由在线服务的对工作公告的申请中。
6、根据示例1至5中任一项所述的计算机实现的方法,其中,所述多个工作公告中的每一者的对应特征数据包括组织内的角色、资历级别、行业中和工作职能中的至少一项。
7、根据示例1至6中任一项所述的计算机实现的方法,其中,对于所提取的多个短语中的每个短语,页面的对应部分包括简档的摘要部分、简档的工作经验部分、简档的教育部分、简档的技能部分以及简档的成就部分中的一项。
8、根据示例1至7中的任一项所述的计算机实现的方法,还包括:
通过计算机系统访问存储在数据库中的第一用户的简档;
通过计算机系统基于所访问的简档的简档数据使用神经网络模型来生成用于向第一用户的简档的特定部分添加可测量的成就的建议,所述神经网络模型被配置为识别在所访问的简档的简档数据内的可测量成就;以及
通过计算机系统使所生成的用于添加可测量成就的建议显示在第一用户的第一计算设备上。
9、一种计算机实现的方法,包括:
通过具有存储器和至少一个硬件处理器的计算机系统接收在在线服务上发布的多个工作公告;
通过计算机系统基于多个工作公告的子集中的每个工作公告的对应特征数据来确定所述子集满足相似性标准,所述子集包括多个工作公告;
通过计算机系统基于确定子集满足相似性标准来选择多个工作公告的子集;
通过计算机系统基于所选择的工作公告的子集来生成针对第一用户的页面的推荐,所述推荐包括建议向第一用户的页面添加内容;以及
通过计算机系统使所生成的针对第一用户的页面的推荐显示在第一用户的计算设备上。
10、根据示例9所述的计算机实现的方法,其中,接收多个工作公告包括:
访问与第一用户的简档相关联地存储在数据库中的第一用户的用户活动数据;
确定用户活动数据指示第一用户对多个工作公告感兴趣;以及
基于确定用户活动数据指示第一用户对多个工作空缺感兴趣来选择多个工作公告。
11、根据示例10所述的计算机实现的方法,其中,用户活动数据包括查看工作列表和提交针对工作列表的申请中的至少一项。
12、根据示例9至11中任一项所述的计算机实现的方法,其中,确定多个工作公告的子集满足相似性标准包括:使用至少一个过滤器来确定在多个工作公告的子集中的每个工作公告的对应特征数据与过滤器特征数据匹配。
13、根据示例9至12中任一项所述的计算机实现的方法,其中,确定多个工作公告的子集满足相似性标准包括:使用语义匹配来确定在多个工作公告的子集中的每个工作公告的对应特征数据包括与多个工作公告的子集中的其它工作公告的对应特征数据相似的含义。
14、根据示例9至13中任一项所述的计算机实现的方法,其中,多个工作公告的子集中的每个工作公告的对应特征数据包括组织内的角色、资历级别、行业和工作职能中的至少一项。
15、根据示例9至14中任一项所述的计算机实现的方法,其中,所述页面包括与第一用户的简档相关联的第一用户的简档页面,所述简档与第一用户的简档相关联地存储于在线服务的数据库中。
16、根据示例9至15中任一项所述的计算机实现的方法,其中,所述页面包括第一用户的简历,所述第一用户的简历包括在经由在线服务的对工作公告的申请中。
17、一种计算机实现的方法,包括:
通过具有存储器和至少一个硬件处理器的计算机系统接收针对工作类型的多个短语;
通过计算机系统基于选择的短语组中的每个短语的对应的相关性测量和对应的多样性测量来从多个短语中选择短语组,所述相关性测量包括对在所选择的短语组中的对应的所选择的短语与工作类型的相关性的测量,并且所述多样性测量包括对在所选择的短语组中的每个短语与在所选择的短语组中其它短语之间的区别的测量;
通过计算机系统基于所选择的短语组来生成针对第一用户的页面的推荐,所述推荐包括建议向第一用户的页面添加所选择的短语组;以及
通过计算机系统使所生成的针对第一用户的页面的推荐显示在第一用户的计算设备上。
18、根据示例17所述的计算机实现的方法,其中,从多个短语中选择短语组包括:
对于多个短语中的每个短语,生成对应的相关性测量;
基于多个短语的对应的相关性测量来对它们进行排名;
基于多个短语中的第一短语在多个短语中具有最高排名而选择第一短语以包括在短语组中;
基于多个短语中的第二短语在多个短语中具有第二高排名来识别第二短语;
确定第二短语的多样性测量,其指示随在第二短语与第一短语之间的区别的测量;以及
基于所确定的第二短语的多样性测量来确定是否将第二短语包括在短语组中。
19、根据示例18所述的计算机实现的方法,其中,确定是否将第二短语包括在短语组中包括:基于所确定的第二短语的多样性测量来将第二短语包括在短语组中。
20、根据示例18所述的计算机实现的方法,其中,确定是否将第二短语包括在短语组中包括:基于所确定的第二短语的多样性测量来将第二短语从短语组中排除。
21、根据示例17至20中任一项所述的计算机实现的方法,其中,接收针对工作类型的多个短语包括:
基于选择的句子被确定为包括对应于组织中的角色的角色依赖信息,来从工作类型的一个或多个工作列表选择句子;以及
从所选择的句子中提取名词短语,所提取的名词短语被包括在多个短语中,并且所选择的句子的除了所提取的名词短语之外的其余部分从多个短语中被省略。
22、根据示例17至21中的任一项所述的计算机实现的方法,其中,接收针对工作类型的多个短语包括:从工作类型的一个或多个工作列表中提取多个短语。
23、根据示例17至22中任一项所述的计算机实现的方法,其中,所述页面包括与第一用户的简档相关联的第一用户的简档页面,所述简档与第一用户的简档相关联地存储于在线服务的数据库中。
24、根据示例17至23中任一项所述的计算机实现的方法,其中,所述页面包括第一用户的简历,所述第一用户的简历包括在经由在线服务的对工作公告的申请中。
25、一种计算机实现的方法,包括:
通过具有存储器和至少一个硬件处理器的计算机系统接收多个短语;
针对多个短语中的每个短语,通过计算机系统使用放置分类器来选择第一用户的页面的对应部分以建议在多个部分中对短语的放置,所述放置分类器被配置为基于短语来确定对应部分;
针对多个短语中的每个短语,通过计算机系统基于短语和所确定的第一用户的页面的对应部分来生成针对第一用户的页面的对应推荐,所述推荐包括建议向所确定的第一用户页面的对应部分添加短语;以及
通过计算机系统使所生成的针对第一用户的页面的推荐显示在第一用户的第一计算设备上。
26、根据示例25所述的计算机实现的方法,其中,多个部分包括摘要部分、技能部分、工作经验部分和教育部分中的至少一个。
27、根据示例25或示例26所述的计算机实现的方法,其中,使所生成的推荐显示在第一用户的第一计算设备上包括:使对应的可选用户界面元素与所生成的推荐中的每个推荐相关联地显示,并且所述计算机实现的方法还包括:
通过计算机系统从第一用户的第一计算设备接收对所显示的推荐中的每个推荐的对应的可选用户界面元素的用户选择;以及
响应于用户选择,通过计算机系统生成使与所选择的用户界面元素相对应的所提取的短语显示在第一用户的第一计算设备上的所确定的所提取的短语的对应部分的文本域中,所述文本域被配置为接收用户输入的文本。
28、根据示例27所述的计算机实现的方法,还包括:
通过计算机系统接收来自第一用户的第一计算设备的将文本域中的用户输入的文本保存到所确定的第一用户的页面的对应部分的指令,所述用户输入的文本包括所提取的短语的对应于所选择的用户界面元素的至少一部分;以及
通过计算机系统将包括所提取的短语的至少一部分的用户输入的文本与所确定的第一用户的页面的对应部分相关联地存储在数据库中。
29、根据示例28所述的计算机实现的方法,还包括:使用所接收的指令,将用户输入的文本保存到所确定的第一用户的页面的对应部分,作为被配置为训练放置分类器的机器学习算法中的训练数据。
30、根据示例27所述的计算机实现的方法,还包括:
通过计算机系统接收来自第一用户的第一计算设备的将文本域中的用户输入的文本保存到第一用户页面的除了所确定的对应部分以外的不同部分中的指令,所述用户输入的文本包括所提取的短语的对应于所选择的用户界面元素的至少一部分;以及
通过计算机系统将包括所提取的短语的至少一部分的用户输入的文本与第一用户的页面的不同部分相关联地存储在数据库中。
31、根据示例30所述的计算机实现的方法,还包括:使用所接收的指令将用户输入的文本保存在第一用户的页面的不同部分,作为被配置为训练放置分类器的机器学习算法中的训练数据。
32、根据示例25至31中任一项所述的计算机实现的方法,其中,所述页面包括与第一用户的简档相关联的第一用户的简档页面,所述简档与第一用户的简档相关联地存储于在线服务的数据库中。
33、根据示例25至32中任一项所述的计算机实现的方法,其中,所述页面包括第一用户的简历,所述第一用户的简历包括在经由在线服务的对工作类型的工作公告的申请中。
34、一种计算机实现的方法,包括:
通过具有存储器和至少一个硬件处理器的计算机系统访问存储于在线服务的数据库中的在线服务的第一用户的简档;
通过计算机系统基于所访问的简档的简档数据使用神经网络模型来生成用于将可测量成就添加到第一用户页面的特定部分的建议,所述神经网络模型被配置为基于所访问的简档的简档数据来识别可测量成就;以及
通过计算机系统使所生成的用于添加可测量成就的建议显示在第一用户的第一计算设备上。
35、根据示例34所述的计算机实现的方法,其中,简档数据包括第一用户的当前职称和与当前职称不同的文本数据,并且神经网络模型被配置为基于第一用户的当前职称和文本数据来识别可测量成就。
36、根据示例35所述的计算机实现的方法,其中,文本数据包括来自第一用户的简档的摘要部分的文本或来自第一用户的简档的工作经验部分的文本,并且可测量的成就包括文本数据的至少一部分。
37、根据示例36所述的计算机实现的方法,其中,简档数据还包括第一用户的资历级别、第一用户的位置、第一用户的行业以及第一用户的组织内的角色中的至少一项。
38、根据示例34至37中任一项所述的计算机实现的方法,其中,使所生成的建议显示包括:使可选用户界面元素与所生成的建议相关联地显示,并且所述计算机实现的方法还包括:
通过计算机系统从第一用户的第一计算设备接收对所显示的推荐中的一个推荐的可选用户界面元素的用户选择;
响应于用户选择,通过计算机系统使与可测量成就显示在第一用户的第一计算设备上的第一用户的页面的特定部分的文本域中,所述文本域被配置为接收用户输入的文本;
通过计算机系统接收来自第一用户的第一计算设备的将文本域中的用户输入的文本保存到第一用户的页面的特定部分的指令,所述用户输入的文本包括可测量成就的至少一部分;以及
通过计算机系统将包括可测量成就的至少一部分的用户输入的文本与第一用户的页面的特定部分相关联地存储在数据库中。
39、根据示例34至38所述的计算机实现的方法,其中,页面的特定部分包括页面的摘要部分或页面的工作经验部分。
40、根据示例34至39中任一项所述的计算机实现的方法,其中,所述页面包括与第一用户的简档相关联的第一用户的简档页面。
41、根据示例34至40中的任一项所述的计算机实现的方法,其中,所述页面包括所述第一用户的简历,所述第一用户的简历包括在经由在线服务的对工作类型的工作公告的申请中。
42、一种计算机实现的方法,包括:
通过具有存储器和至少一个硬件处理器的计算机系统使用第一多个训练数据来训练分类器,第一多个训练数据中的每个训练数据包括用户的简档数据、不同于简档数据的文本数据、以及指示第一多个训练数据中的一个训练数据是否符合条件作为可测量成就的标签;
针对第一多个样本数据中的每个样本数据,通过计算机系统使用经训练的分类器来生成指示第一多个样本数据中的一个样本数据对应于可测量成就的可能性的对应似然值,第一多个样本数据中的每个样本数据包括用户的简档数据和不同于简档数据的文本数据;
通过计算机系统,基于第一多个样本数据的一部分的对应似然值和混淆标准来将第一多个样本数据的一部分识别为与混淆预测相对应;以及
通过计算机系统,使用第二多个训练数据对经训练的分类器进行再训练,所述第二多个训练数据基于第一多个样本数据的一部分与混淆预测相对应的识别来包括第一多个样本数据中的所述部分,第二多个训练数据中的每个训练数据包括用户的简档数据、不同于简档数据的文本数据、以及指示第二多个训练数据中的一个训练数据是否符合条件作为可测量成就的标签
43、根据权利要求42所述的计算机实现的方法,其中,所述混淆标准包括:所述对应似然值低于最小门限值或高于最大门限值。
44、根据权利要求42所述的计算机实现的方法,其中,所述混淆标准包括:
在多个样本数据的一部分中的一个样本数据的对应似然值与多个样本数据的一部分中的另一个样本数据的对应似然值之间的差大于门限差值;以及
在多个样本数据的一部分中的一个样本数据的文本数据与多个样本数据的一部分中的另一个样本数据的文本数据之间的差小于门限文本差。
45、根据权利要求42所述的计算机实现的方法,还包括:
通过计算机系统访问存储于在线服务的数据库中的在线服务的第一用户的简档;
通过计算机系统使用经再训练的分类器,基于所访问的第一用户的简档的简档数据来识别第一用户的可测量成就;
通过计算机系统生成用于将所识别的可测量成就添加到第一用户页面的特定部分的建议;以及
通过计算机系统使所生成的用于添加可测量成就的建议显示在第一用户的第一计算设备上。
46、根据权利要求45所述的计算机实现的方法,其中,所述简档数据包括第一用户的当前职称和与当前职称不同的文本数据,并且所述神经网络模型被配置为基于第一用户的当前职称和文本数据来识别可测量成就。
47、根据权利要求46所述的计算机实现的方法,其中,所述文本数据包括来自第一用户的简档的摘要部分的文本或来自第一用户的简档的工作经验部分的文本,并且所述可测量成就包括文本数据的至少一部分。
48、根据权利要求47所述的计算机实现的方法,其中,所述简档数据还包括第一用户的资历级别、第一用户的位置、第一用户的行业以及第一用户在组织内的角色中的至少一项。
49、根据权利要求45所述的计算机实现的方法,其中,使所生成的建议显示包括:使可选用户界面元素与所生成的建议相关联地显示,并且所述计算机实现的方法还包括:
通过计算机系统从第一用户的第一计算设备接收对所显示的建议中的一个建议的可选用户界面元素的用户选择;
响应于用户选择,由计算机系统使可测量成就显示在第一用户的第一计算设备上的第一用户的页面的特定部分的文本域中,所述文本域被配置为接收用户输入的文本;
通过计算机系统接收来自第一用户的第一计算设备的将文本域中的用户输入的文本保存到第一用户的页面的特定部分的指令,所述用户输入的文本包括可测量成就的至少一部分;以及
通过计算机系统将包括可测量成就的至少一部分的用户输入的文本与第一用户的页面的特定部分相关联地存储在数据库中。
50、根据权利要求45所述的计算机实现的方法,其中,所述页面的特定部分包括页面的摘要部分或页面的工作经验部分。
51、根据权利要求45所述的计算机实施的方法,其中,所述页面包括与第一用户的简档相关联的第一用户的简档页面。
52、根据权利要求45所述的计算机实现的方法,其中,所述页面包括第一用户的简历,所述第一用户的简历包括在经由在线服务的对工作类型的工作公告的申请中。
53、一种系统,包括:
至少一个处理器;以及
非暂时性计算机可读介质,其存储可执行指令,所述可执行指令在被执行时使至少一个处理器执行示例1至52中任一项的方法。
54、一种非暂时性机器可读存储介质,有形地体现了指令集,当被至少一个处理器执行时,所述指令集使所述至少一个处理器执行示例1至52中的任一项的方法。
55、一种携带指令集的机器可读介质,所述指令集在被至少一个处理器执行时使所述至少一个处理器执行示例1至52中的任一项的方法。
虽然已经参考特定示例性实施例描述了实施例,但是将显而易见的是,可以对这些实施例进行各种修改和改变,而不背离本公开的更广泛的精神和范围。因此,说明书和附图被认为是说明性的而不是限制性的。形成其一部分的附图以说明而非限制的方式示出了可以实践本主题的特定实施例。足够详细地描述了所示的实施例,以使本领域技术人员能够实践本文公开的教导。可以利用其它实施例并从中得出其它实施例,使得可以在不背离本公开的范围的情况下进行结构和逻辑上的替换和改变。因此,不应在限制意义上理解该具体实施方式,并且各种实施例的范围仅由所附权利要求以及这些权利要求的等同物所赋予的全部范围来限定。虽然本文已经图示和描述了特定的实施例,但是应当理解的是,为实现相同目的而设计的任何布置都可以代替所示的特定实施例。本公开内容意图覆盖各种实施例的任何和所有修改或变化。通过阅读以上描述,以上实施例的组合以及本文中未具体描述的其它实施例对于本领域技术人员将是显而易见的。
Claims (20)
1.一种计算机实现的方法,包括:
通过具有存储器和至少一个硬件处理器的计算机系统来接收在线服务上发布的多个工作公告;
通过所述计算机系统基于所述多个工作公告的子集中的每个工作公告的对应特征数据来确定所述子集满足相似性标准,所述子集包括多个工作公告;
通过所述计算机系统基于所述确定所述子集满足所述相似性标准来选择所述多个工作公告的所述子集;
通过所述计算机系统基于所选择的工作公告的子集来生成针对第一用户的页面的推荐,所述推荐包括建议向所述第一用户的所述页面添加内容;以及
通过所述计算机系统使所生成的针对所述第一用户的所述页面的推荐显示在所述第一用户的计算设备上。
2.根据权利要求1所述的计算机实现的方法,其中,所述接收所述多个工作公告包括:
访问与所述第一用户的简档相关联地存储在数据库中的所述第一用户的用户活动数据;
确定所述用户活动数据指示所述第一用户对所述多个工作公告感兴趣;以及
基于所述确定所述用户活动数据指示所述第一用户对多个工作空缺感兴趣来选择所述多个工作公告。
3.根据权利要求2所述的计算机实现的方法,其中,所述用户活动数据包括查看工作列表和提交针对工作列表的申请中的至少一项。
4.根据权利要求1所述的计算机实现的方法,其中,所述确定所述多个工作公告的所述子集满足所述相似性标准包括:使用至少一个过滤器来确定在所述多个工作公告的所述子集中的每个工作公告的所述对应特征数据与过滤器特征数据匹配。
5.根据权利要求1所述的计算机实现的方法,其中,所述确定所述多个工作公告的所述子集满足所述相似性标准包括:使用语义匹配来确定所述多个工作公告的所述子集中的每个工作公告的所述对应特征数据包括与所述多个工作公告的所述子集中的其它工作公告的所述对应特征数据相似的含义。
6.根据权利要求1所述的计算机实现的方法,其中,所述多个工作公告的所述子集中的每个工作公告的所述对应特征数据包括组织内的角色、资历级别、行业和工作职能中的至少一项。
7.根据权利要求1所述的计算机实现的方法,其中,所述页面包括与所述第一用户的简档相关联的所述第一用户的简档页面,所述简档与所述第一用户的简档相关联地存储于在线服务的数据库中。
8.根据权利要求1所述的计算机实现的方法,其中,所述页面包括所述第一用户的简历,所述第一用户的所述简历包括在经由在线服务的对工作公告的申请中。
9.一种系统,包括:
至少一个硬件处理器;以及
体现指令集的非暂时性机器可读介质,当被所述至少一个硬件处理器执行时,所述指令集使所述至少一个硬件处理器执行操作,所述操作包括:
接收在线服务上发布的多个工作公告;
基于所述多个工作公告的子集中的每个工作公告的对应特征数据来确定所述子集满足相似性标准,所述子集包括多个工作公告;
基于所述确定所述子集满足所述相似性标准来选择所述多个工作公告的所述子集;
基于所选择的工作公告的子集来生成针对第一用户的页面的推荐,所述推荐包括建议向所述第一用户的所述页面添加内容;以及
使所生成的针对所述第一用户的所述页面的推荐显示在所述第一用户的计算设备上。
10.根据权利要求9所述的系统,其中,所述接收所述多个工作公告包括:
访问与所述第一用户的简档相关联地存储在数据库中的所述第一用户的用户活动数据;
确定所述用户活动数据指示所述第一用户对所述多个工作公告感兴趣;以及
基于所述确定所述用户活动数据指示所述第一用户对多个工作空缺感兴趣来选择所述多个工作公告。
11.根据权利要求10所述的系统,其中,所述用户活动数据包括查看工作列表和提交针对工作列表的申请中的至少一项。
12.根据权利要求9所述的系统,其中,所述确定所述多个工作公告的所述子集满足所述相似性标准包括:使用至少一个过滤器来确定在所述多个工作公告的所述子集中的每个工作公告的所述对应特征数据与过滤器特征数据匹配。
13.根据权利要求9所述的系统,其中,确定所述多个工作公告的所述子集满足所述相似性标准包括:使用语义匹配来确定所述多个工作公告的所述子集中的每个工作公告的所述对应特征数据包括与所述多个工作公告的所述子集中的其它工作公告的所述对应特征数据相似的含义。
14.根据权利要求9所述的系统,其中,所述多个工作公告的所述子集中的每个工作公告的所述对应特征数据包括组织内的角色、资历级别、行业和工作职能中的至少一项。
15.根据权利要求9所述的系统,其中,所述页面包括与所述第一用户的简档相关联的所述第一用户的简档页面,所述简档与所述第一用户的简档相关联地存储于在线服务的数据库中。
16.根据权利要求9所述的系统,其中,所述页面包括所述第一用户的简历,所述第一用户的简历包括在经由在线服务的对工作公告的申请中。
17.一种体现指令集的非暂时性机器可读介质,当被至少一个硬件处理器执行时,所述指令集使所述至少一个硬件处理器执行操作,所述操作包括:
接收在线服务上发布的多个工作公告;
基于所述多个工作公告的子集中的每个工作公告的对应特征数据来确定所述子集满足相似性标准,所述子集包括多个工作公告;
基于所述确定所述子集满足所述相似性标准来选择所述多个工作公告的所述子集;
基于所选择的工作公告的子集来生成针对第一用户的页面的推荐,所述推荐包括建议向所述第一用户的所述页面添加内容;以及
使所生成的针对所述第一用户的所述页面的推荐显示在所述第一用户的计算设备上。
18.根据权利要求17所述的非暂时性机器可读介质,其中,所述接收所述多个工作公告包括:
访问与所述第一用户的简档相关联地存储在数据库中的所述第一用户的用户活动数据;
确定所述用户活动数据指示所述第一用户对所述多个工作公告感兴趣;以及
基于所述确定所述用户活动数据指示所述第一用户对多个工作空缺感兴趣来选择所述多个工作公告。
19.根据权利要求18所述的非暂时性机器可读介质,其中,所述用户活动数据包括查看工作列表和提交针对工作列表的申请中的至少一项。
20.根据权利要求17所述的非暂时性机器可读介质,其中,所述确定所述多个工作公告的所述子集满足所述相似性标准包括:使用至少一个过滤器来确定在所述多个工作公告的所述子集中的每个工作公告的所述对应特征数据与过滤器特征数据匹配。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/206264 | 2018-11-30 | ||
US16/206,264 US20200175476A1 (en) | 2018-11-30 | 2018-11-30 | Job identification for optimizing digital page |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111258687A true CN111258687A (zh) | 2020-06-09 |
Family
ID=70850189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911188102.XA Withdrawn CN111258687A (zh) | 2018-11-30 | 2019-11-28 | 用于优化数字页面的工作识别 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20200175476A1 (zh) |
CN (1) | CN111258687A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860925A (zh) * | 2023-02-19 | 2023-03-28 | 广东德澳智慧医疗科技有限公司 | 一种基于人工智能负债数据智能查询和投资管理系统 |
-
2018
- 2018-11-30 US US16/206,264 patent/US20200175476A1/en not_active Abandoned
-
2019
- 2019-11-28 CN CN201911188102.XA patent/CN111258687A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860925A (zh) * | 2023-02-19 | 2023-03-28 | 广东德澳智慧医疗科技有限公司 | 一种基于人工智能负债数据智能查询和投资管理系统 |
Also Published As
Publication number | Publication date |
---|---|
US20200175476A1 (en) | 2020-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10872204B2 (en) | Generating natural language recommendations based on an industrial language model | |
AU2020321751B2 (en) | Neural network system for text classification | |
US9779327B2 (en) | Cognitive traits avatar for similarity matching | |
US20200175047A1 (en) | System for determining and optimizing for relevance in match-making systems | |
US11657371B2 (en) | Machine-learning-based application for improving digital content delivery | |
US10255282B2 (en) | Determining key concepts in documents based on a universal concept graph | |
CN112236766A (zh) | 用个性化和上下文的通信内容帮助用户 | |
US10382379B1 (en) | Intelligent messaging assistant based on content understanding and relevance | |
US20190095788A1 (en) | Supervised explicit semantic analysis | |
US10885275B2 (en) | Phrase placement for optimizing digital page | |
US11487947B2 (en) | Machine learning techniques for analyzing textual content | |
KR20170030570A (ko) | 이모티콘들을 식별 및 제안하기 위한 시스템 및 방법 | |
US20190362025A1 (en) | Personalized query formulation for improving searches | |
US20190066054A1 (en) | Accuracy of member profile retrieval using a universal concept graph | |
US10380145B2 (en) | Universal concept graph for a social networking service | |
US20190065612A1 (en) | Accuracy of job retrieval using a universal concept graph | |
US20170186102A1 (en) | Network-based publications using feature engineering | |
US20200175393A1 (en) | Neural network model for optimizing digital page | |
CN111258687A (zh) | 用于优化数字页面的工作识别 | |
US10809892B2 (en) | User interface for optimizing digital page | |
US20200175455A1 (en) | Classification of skills | |
US20200175394A1 (en) | Active learning model training for page optimization | |
US11048876B2 (en) | Phrase extraction for optimizing digital page | |
US11947571B2 (en) | Efficient tagging of content items using multi-granular embeddings | |
US11966570B2 (en) | Automated processing and dynamic filtering of content for display |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200609 |
|
WW01 | Invention patent application withdrawn after publication |