People You May Know

01 · CONTEXTO

Sugerir pessoas que valem uma conexão

O objetivo do PYMK é ajudar membros a se conectar com pessoas que podem ser acréscimos relevantes à sua rede profissional. O recurso é antigo na plataforma e é movido por alguns dos primeiros algoritmos de ML da empresa.

Uma conexão só se forma depois que o convite é aceito. Por isso a fonte diz que é preciso garantir que os dois membros se beneficiem da conexão, e não apenas quem envia o convite.

02 · PONTUAÇÃO

Pontuar pares e ordenar por P(connect)

O PYMK extrai atributos do Economic Graph e das interações na plataforma e usa algoritmos de ML para gerar recomendações. O modelo combina abordagens lineares e não lineares para estimar a propensão a conectar entre dois membros.

1. O diagrama começa pelo membro e pelo serviço de recomendação que ele consulta.

2. O modelo estima a propensão de conexão entre dois membros, com atributos extraídos do Economic Graph e das interações na plataforma.

3. A propensão vira um score P(connect), e a lista de novas conexões segue a ordem desse score.

03 · DESTINATÁRIOS POPULARES

Quando o recomendado recebe convites demais

Alguns membros, como influenciadores, executivos e recrutadores de grandes empresas, recebem muitos pedidos de conexão. Um membro inundado de convites pode perder oportunidades relevantes de networking.

A correção foi adicionar um re-ranker sobre o score P(connect) que desconta a nota de destinatários com excesso de convites. Quanto mais convites um destinatário recebe, mais alto precisa ser o score original para ele aparecer nos resultados.

1. O re-ranker entra sobre o score P(connect) e desconta a nota de destinatários com excesso de convites.

2. A nova nota é o score vezes um fator de decaimento df no intervalo [0,1].

3. Em produção, o fator vem de uma função linear por partes aplicada ao número de convites recebidos.

No exemplo da fonte, o desconto vale para quem recebeu mais de 10 convites na semana anterior.

04 · MEDIÇÃO

Medir o efeito nos dois lados do convite

Nos testes A/B, os membros são designados aleatoriamente a grupos de tratamento e veem recomendações de modelos diferentes. Se um modelo recomenda melhor, os membros enviam mais convites, e esse efeito do lado do remetente sai direto do teste.

1. O diagrama começa pelo remetente, que recebe sugestões do serviço de recomendação.

2. Cada membro é designado aleatoriamente a um grupo de tratamento e vê recomendações de modelos diferentes.

3. O efeito do lado do remetente, mais convites enviados, sai direto do resultado do teste A/B.

4. O efeito do lado do destinatário é mais difícil de medir, porque um destinatário pode receber convites de vários remetentes.

5. O framework de atribuição liga as sessões dos destinatários aos remetentes corretos.

Esperava-se que métricas tradicionais como convites enviados caíssem, mas houve ganho líquido de engajamento. A tabela resume o que a fonte relata para o desconto por convites recebidos.

05 · EQUIDADE

O ciclo que favorece quem já é ativo

Membros frequentes tendem a ter mais representação nos dados de treino do que membros infrequentes. Eles são recomendados a outros com taxa maior e, assim, fazem ainda mais conexões e ganham ainda mais representação nos dados de treino.

A fonte argumenta, intuitivamente, que um membro com poucas conexões pode ter mais utilidade incremental ao adicionar uma conexão do que um membro com centenas ou milhares.

1. O diagrama começa pelos dois grupos de membros e pelo serviço que devolve a lista de sugestões.

2. Membros frequentes são recomendados a outros com taxa maior, fazem ainda mais conexões e ganham ainda mais representação nos dados de treino.

3. Um re-ranker de equidade reordena as sugestões segundo igualdade de oportunidade e equalized odds, dando representação igual a membros qualificados dos dois grupos.

4. O resultado relatado é um aumento de 5,44% nos convites enviados a membros infrequentes e de 4,8% nas conexões feitas por eles, com métricas neutras para os frequentes.

06 · PARA PRATICAR

O que um desenho completo ainda precisa decidir

Este caso se concentra na pontuação, no re-ranking e na medição. Um desenho de entrevista completo ainda precisa de uma etapa anterior que gere os candidatos, e de uma divisão entre o que se calcula antes da requisição e o que se calcula na hora.