LiNR: 在领英上基于模型的神经检索
内容提要
LinkedIn 提出了 LiGNN 和 LiRank 框架，通过算法改进提升图表训练速度和排名效果，优化职位搜索和推荐系统，使用 ERNIE 模型提高搜索引擎性能，研究深度学习在人才搜索中的应用，提升推荐系统表现。
延伸解读
LiGNN：大规模图神经网络训练优化
LinkedIn 提出的 LiGNN 框架针对大规模图神经网络训练中的效率问题，通过图形结构设计、冷启动解决方案和邻居采样优化等算法改进，提升了在 LinkedIn 图表上的训练速度。这些优化基于实际部署经验，为处理大规模图数据的从业者提供了可借鉴的工程实践。
LiRank：深度排序框架的工业部署
LiRank 是 LinkedIn 的大规模排序框架，利用先进建模架构和优化方法，实现了 Feed 排名、职位推荐和广告点击率预测等场景的部署。通过模型训练和压缩技术，以及探索/利用方法的生产化，该框架在多个指标上取得改进，为大规模深度排序系统的落地提供了实用见解。
学习检索在职位搜索中的应用
LinkedIn 将学习检索技术应用于职位搜索和推荐系统，通过构建评估求职者资格的图并利用学习到的链接进行检索，提高了应聘人员质量并优化了求职者参与度。这种方法展示了如何利用图结构信息改进搜索相关性，为招聘平台的搜索系统设计提供了新思路。
ERNIE 模型提升搜索引擎性能
LinkedIn 使用中文预训练语言模型 ERNIE 开发和部署检索系统，离线和在线实验表明该系统性能良好，尤其对于不常见的查询，能显著提高搜索引擎的易用性和适用性。这表明预训练语言模型在改善长尾查询体验方面具有潜力，为搜索系统的优化提供了方向。
Q&A
LiGNN 框架的主要功能是什么？
LiGNN 框架通过算法改进提升了 LinkedIn 图表训练的速度，优化了图形结构设计和冷启动解决方案。
LiRank 框架如何改进职位推荐系统？
LiRank 框架利用先进的建模体系结构和优化方法，提升了职位推荐和广告点击率的预测效果。
ERNIE 模型在搜索引擎中有什么优势？
ERNIE 模型在搜索引擎性能上表现良好，尤其是对于不常见的查询，能显著提高易用性和适用性。
如何利用深度学习提升人才搜索的效果？
通过深度学习模型学习稀疏实体的语义表示，并结合学习排名方法，可以提升人才搜索和推荐系统的表现。
LinkedIn 如何优化求职者参与度？
LinkedIn 通过构建评估求职者资格的图和利用学习到的链接进行检索，优化了求职者参与度。
学习检索技术在 LinkedIn 的应用效果如何？
学习检索技术有效提升了 LinkedIn 的职位搜索和推荐系统，改善了应聘人员的质量。
