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

Applicant: 微软技术许可有限责任公司

Inventor： B·陈 ,  王漪婕 ,  T·P·尤尔卡 ,  宣颖

IPC: G06F16/9536

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。

公开(公告)号：CN110955840B

公开(公告)日：2023-10-27

申请号：CN201910904528.4

申请日：2019-09-24

Applicant: 微软技术许可有限责任公司

Inventor： S·查特吉 ,  A·穆拉里达兰 ,  V·古普塔 ,  王漪婕 ,  D·阿加瓦尔

IPC: G06F16/9536 ,  G06N20/10 ,  G06Q50/00

Abstract: 在示例性实施例中，机器学习模型被用于确定是否向用户发送针对推送对象的通知。该机器学习模型不仅基于通知将使用户与推送对象进行交互的可能性而被优化，而且还基于用户与所述推送对象进行交互的可能的短期和长期影响而被优化。该机器学习模型不仅考虑查看者的立即行动的概率(诸如点击推送对象)，而且还考虑长期影响的概率(诸如使查看者向网络贡献内容或者观看者的响应鼓励更多人为网络贡献内容的显示)。因此，所述机器学习模型不仅对通知交互性而且还对推送对象交互性进行优化。

公开(公告)号：CN110955840A

公开(公告)日：2020-04-03

申请号：CN201910904528.4

申请日：2019-09-24

Applicant: 微软技术许可有限责任公司

Inventor： S·查特吉 ,  A·穆拉里达兰 ,  V·古普塔 ,  王漪婕 ,  D·阿加瓦尔

IPC: G06F16/9536 ,  G06N20/10 ,  G06Q50/00

Abstract: 在示例性实施例中，机器学习模型被用于确定是否向用户发送针对推送对象的通知。该机器学习模型不仅基于通知将使用户与推送对象进行交互的可能性而被优化，而且还基于用户与所述推送对象进行交互的可能的短期和长期影响而被优化。该机器学习模型不仅考虑查看者的立即行动的概率(诸如点击推送对象)，而且还考虑长期影响的概率(诸如使查看者向网络贡献内容或者观看者的响应鼓励更多人为网络贡献内容的显示)。因此，所述机器学习模型不仅对通知交互性而且还对推送对象交互性进行优化。

公开(公告)号：CN110032685A

公开(公告)日：2019-07-19

申请号：CN201811517811.3

申请日：2018-12-12

Applicant: 微软技术许可有限责任公司

Inventor： S·高希 ,  T·P·尤尔卡 ,  S·托尔马诺夫 ,  王漪婕

IPC: G06F16/9536 ,  G06Q50/00

Abstract: 在一示例中，获得多个潜在的馈送对象。还获得在用户界面中执行导航命令的用户的标识，该导航命令导致显示或更新馈送。向机器学习馈送对象排名模型馈送用户的标识和多个潜在的馈送对象，馈送对象排名模型已经通过机器学习算法被训练以针对潜在的馈送对象中的每一个计算得分，该得分基于以下的组合：用户将通过用户界面对潜在的馈送对象执行交互的可能性、该用户的交互将导致其他用户的一个或多个下游事件的可能性、以及该一个或多个下游事件对社交网络服务的价值。通过它们的得分将多个潜在的馈送对象排名。