LinkSAGE：利用图神经网络优化职位匹配
机器学习
2024-02-22 v1 人工智能
社会与信息网络
摘要
我们提出了 LinkSAGE，这是一个创新框架，将图神经网络 (GNNs) 集成到大规模个性化职位匹配系统中，旨在解决 LinkedIn 庞大职业网络的复杂动态问题。我们的方法利用了一个新颖的就业市场图，这是行业内规模最大、最复杂的同类图，拥有数十亿个节点和边。该图不仅规模庞大，而且细节丰富，涵盖了会员和职位节点以及关键属性，从而构建了一个广阔且交织的网络。LinkSAGE 的关键创新在于其训练和服务方法，该方法有效地将异构演化图上的归纳图学习与编码器 - 解码器 GNN 模型相结合。这种方法将 GNN 模型的训练与现有深度神经网络 (DNN) 模型的训练解耦，消除了频繁重新训练 GNN 的需求，同时保持了近乎实时的最新图信号，从而能够通过迁移学习有效整合 GNN 洞察。随后的近线推理系统在现实环境中服务 GNN 编码器，显著降低了在线延迟，并免除了对昂贵的实时 GNN 基础设施的需求。在多种产品场景的多项在线 A/B 测试中验证表明，LinkSAGE 在会员参与度、相关性匹配和会员留存率方面表现出显著改善，证实了其泛化能力和实际影响。
引用
@article{arxiv.2402.13430,
title = {LinkSAGE: Optimizing Job Matching Using Graph Neural Networks},
author = {Ping Liu and Haichao Wei and Xiaochen Hou and Jianqiang Shen and Shihai He and Kay Qianqi Shen and Zhujun Chen and Fedor Borisyuk and Daniel Hewlett and Liang Wu and Srikant Veeraraghavan and Alex Tsun and Chengming Jiang and Wenjing Zhang},
journal= {arXiv preprint arXiv:2402.13430},
year = {2024}
}