هل يستخدم LinkedIn خوارزمية توصية؟.
أكثر من 200 مليون مستخدم يسجلون الدخول كل شهر على LinkedIn. تتمتع هذه الشبكة الاجتماعية بالمهمة الثقيلة المتمثلة في جمع البيانات ومعالجتها وتقديمها بدقة. هناك العديد من نماذج التعلم الآلي الحديثة. ومع ذلك ، كان مهندسو LinkedIn مرنين بدرجة كافية. في الواقع ، قاموا بدمج هذه الاستراتيجيات الكلاسيكية مع أدواتهم الداخلية من أجل الحصول على نتائج أفضل. وبالتالي يستخدم LinkedIn خوارزميات التوصية التي تم إنشاؤها داخليًا.
ما هي خوارزمية التوصية؟
خوارزمية التوصية هي فئة فرعية من أنظمة تصفية المعلومات. تسعى هذه الخوارزميات إلى التنبؤ بالتقييم أو التفضيل الذي قد يمنحه المستخدم لمقال. بمعنى آخر ، إنها خوارزمية تقترح أشياء ذات صلة للمستخدمين. يمكننا أن نأخذ على سبيل المثال Netflix: أي فيلم نشاهده؟ في حالة التجارة الإلكترونية: ما المنتج الذي يجب شراؤه؟ أو في حالة كيندل: أي كتاب يقرأ …؟
استخدم حالات لخوارزميات توصية LinkedIn
حالات الاستخدام عديدة. وهنا عدد قليل :
أ.محتوى مخصص: يساعد في تحسين التجربة على LinkedIn من خلال إنشاء توصيات ديناميكية لأنواع مختلفة من الجماهير.
ب. أفضل وظيفة أو خبرة في البحث عن الأعضاء : يساعد في تصنيف الأعضاء والمشاركات حسب خصائصهم.
الأنواع المختلفة من خوارزميات توصية LinkedIn
التصفية على أساس المحتوى
في هذا النوع من نظام التوصيات ، يتم عرض منشورات LinkedIn ذات الصلة والأعضاء باستخدام محتوى من العناصر التي سبق البحث عنها أو أعجب بها المستخدمون. في هذا النوع من النظام ، يتم تمييز منشورات الأعضاء وملفاتهم الشخصية باستخدام كلمات رئيسية معينة ، ثم يحاول النظام معرفة ما يريده المستخدم ويبحث من خلال قاعدة البيانات الخاصة به ليحاول في النهاية التوصية بمحتوى مختلف يريد المستخدم رؤيته.
ضع في اعتبارك مثال نظام التوصية بالأفلام حيث يرتبط كل فيلم بنوعه والذي يسمى في الحالة أعلاه العلامة / السمات. لنفترض الآن أن المستخدم “أ” ظهر وأن النظام في البداية ليس لديه بيانات عن هذا المستخدم. في البداية ، يحاول النظام التوصية بأفلام شهيرة للمستخدمين أو الحصول على معلومات حول المستخدم من خلال مطالبتهم بملء نموذج. بعد فترة ، قد يكون المستخدمون قد أعطوا بعض الأفلام تصنيفًا ، مثل التصنيف العالي لأفلام الحركة وتقييم منخفض لأفلام الرسوم المتحركة. لذلك يوصي النظام المستخدمين بأفلام الحركة. لكن هنا لا يمكنك القول إن المستخدم لا يحب أفلام الأنيمي. في الواقع ، قد لا يحب هذا الفيلم لأسباب أخرى. مثل التمثيل أو رواية القصص ، لكنه في الواقع يحب أفلام الرسوم المتحركة. هذا يتطلب المزيد من البيانات في هذه الحالة.
تصفية التعاونية
إن التوصية بأعضاء أو منشورات جديدة للمستخدمين بناءً على اهتمامات وتفضيلات المستخدمين المماثلين الآخرين هي في الأساس تصفية قائمة على التعاون. على سبيل المثال ، عندما نتسوق على أمازون ، يوصي الموقع بمنتجات جديدة بقول “العميل الذي اشترى هذا اشترى أيضًا”.
يتغلب هذا على عيوب التصفية المستندة إلى المحتوى ، حيث تستخدم تفاعل المستخدم بدلاً من محتوى العناصر التي يستخدمها الأعضاء. لهذا ، فإنه يحتاج فقط إلى محفوظات الاستعراض وتفاعل المستخدم. استنادًا إلى البيانات التاريخية ، بافتراض أن المستخدم الذي وافق في الماضي يميل أيضًا إلى القبول في المستقبل.
اقرأ أيضًا المقال: SSI LinkedIn ، ما هو وكيفية زيادته؟
أمثلة على الأماكن على LinkedIn حيث يتم استخدام خوارزميات التوصية
- في محرك البحث المتقدم في LinkedIn:
تستند النتائج إلى الكلمات الرئيسية لبحثك ، على شبكتك (المستوى الأول والثاني والثالث بالإضافة إلى المجموعات) ، في منطقتك الجغرافية
- في علامة تبويب الشبكة: “أشخاص قد تعرفهم”:
هنا تنصحك LinkedIn بأشخاص وفقًا لقطاع نشاطك ، والمنطقة الجغرافية ، والكلمات الرئيسية في ملفك الشخصي ، والشبكة ، وما إلى ذلك)
- موجز الأخبار الخاص بك:
تعتمد المنشورات والإعلانات التي تراها على تفاعلاتك مع الأعضاء وتستند إلى علامات التصنيف والمجموعات التي تتابعها
- في ملفك الشخصي “شاهد الأعضاء أيضًا”: هذه هي ملفات تعريف مماثلة لك. مثال على موقع للتجارة الإلكترونية ، اشتريت هذه السراويل ، وهي تقدم لي السترة التي اشتراها المستخدمون الآخرون بعد ذلك مباشرة.
- وظائف شاغرة : بناءً على بحثك وملفك الشخصي وموقعك الجغرافي
استنتاج
هل تريد أن تعرف كيف يمكنك جعل خوارزمية التوصية تعمل لصالحك؟ تفاعل قدر الإمكان بطريقة حقيقية وغير متحيزة على المنصة للحصول على النتائج ذات الصلة. إذا كنت تريد المضي قدمًا في ظهورك على LinkedIn: اتصل بي!
هل كان المقال مفيداً؟شاركه مع أصدقائك ولا تنسى لايك والتعليق
اترك تعليقاً