الرسم البياني المعرفي لـ LinkedIn هو قاعدة معرفية كبيرة مبنية على "الكيانات" على LinkedIn ، مثل الأعضاء والوظائف والألقاب والمهارات والشركات والمواقع الجغرافية والمدارس وما إلى ذلك. تشكل هذه الكيانات والعلاقات فيما بينها أنطولوجيا العالم المهني و يتم استخدامها بواسطة LinkedIn لتحسين أنظمة التوصية والبحث وتحقيق الدخل والمنتجات الاستهلاكية و عمل وتحليلات المستهلك.
إذا كنت لا تعرف كيف يعمل الرسم البياني للمعرفة ، اعتقد منه كنظام مصنوع من العقد والحواف. حيث تكون العقد هي الأشياء الموجودة على LinkedIn (الوظائف والمهارات والشركات وما إلى ذلك) وتكون الحواف هي العلاقات فيما بينها.
كيف يبدو الرسم البياني المعرفي على LinkedIn؟
من خلال إنشاء رسم بياني بناءً على الكيانات والعلاقات فيما بينها ، يمكن أن تنشأ علاقات جديدة بفضل هذا الرسم البياني. فكر في الحالة التي تمتلك فيها مهارة ، ولكن بالنسبة للوظيفة التي تبحث عنها تحتاج إلى مهارات أخرى أيضًا. بناءً على تفضيلاتك الوظيفية ، يمكن لـ LinkedIn استنتاج المهارات التي تحتاجها للحصول على تلك الوظائف ، وبالتالي يقدم لك اقتراحًا لتعلم تلك المهارات:
ما هو الرسم البياني المعرفي بالغ الأهمية لجعل LinkedIn أكثر ذكاءً؟
يعد الرسم البياني للمعرفة في LinkedIn أهم الأصول التي تمتلكها الشركة
يشكل إنشاء قاعدة معرفية كبيرة تحديًا كبيرًا. تعتمد مواقع الويب مثل Wikipedia و Freebase بشكل أساسي على المساهمات المباشرة من متطوعين بشريين. الأعمال الأخرى ذات الصلة ، مثل جوجلقبو المعرفة و Microsoftيركز Satori على استخراج الحقائق تلقائيًا من الإنترنت لبناء قواعد المعرفة. بخلاف هذه الجهود ، نستمد الرسم البياني المعرفي لـ LinkedIn بشكل أساسي من ملف كمية كبيرة من المحتوى الذي ينشئه المستخدمون من الأعضاء ، جهات التوظيف والمعلنون ومسؤولو الشركة ، وقم بتكميلها بالبيانات المستخرجة من الإنترنت ، والتي تكون صاخبة ويمكن أن يكون لها نسخ مكررة. الرسم البياني المعرفي إحتياجات إلى مقياس أثناء تسجيل الأعضاء الجدد ، يتم نشر وظائف جديدة ، تظهر الشركات الجديدة والمهارات والألقاب في ملفات تعريف الأعضاء وتوصيف الوظائف ، إلخ.
يتم إنشاء الكيانات العضوية بواسطة المستخدمين (صريح): عندما تقوم بتجميع ملفك الشخصي ، فأنت تقوم ببناء بيانات للرسم البياني المعرفي لـ LinkedIn. على سبيل المثال ، عند إضافة شركة إلى ملف التعريف الخاص بك. في الوقت نفسه ، تمتلك هذه الشركة صفحة يديرها مستخدم آخر ، تحتوي على معلومات ذات صلة بهذه الشركة. هذه هي البيانات التي يمكن لـ LinkedIn الاستفادة منها لبناء ملفات سمارت البنية التحتية التي تعتمد على الرسم البياني. يصف فريق الهندسة في LinkedIn علاقات الكيانات التي ينشئها الأعضاء بأنها "صريحة".
يتم إنشاء الكيانات التي تم إنشاؤها تلقائيًا بواسطة LinkedIn (مستنتج): تخيل الحالة التي أدخلت فيها في ملفك الشخصي اسم الشركة. لنفترض أنك أخطأت في كتابتها. ومع ذلك ، يجب أن يكون لدى LinkedIn آلية لإصلاح هذا الخطأ لتجنب وجود بيانات في غير محلها في الرسم البياني المعرفي الخاص به. ماذا تعمل، أو ماذا تفعل؟ بسيطة ، بعض خوارزميات LinkedIn ستستنتج ما تعنيه وتصلح الخطأ. كما يمكنك أن تتخيل ، قد يحتوي المحتوى العضوي الذي ينشئه المستخدمون (ما يسمى صريحًا) على العديد من الأخطاء.
كيف يقوم LinkedIn بإنشاء الكيانات تلقائيًا؟
تبحث LinkedIn عن الكيانات المرشحة من بين البيانات التي تجدها في الملفات الشخصية للأعضاء. يتضمن ذلك معلومات تتعلق بعشرات الآلاف من المهارات والعناوين والمواقع والشركات والشهادات وما إلى ذلك. هذه هي الكيانات الموجودة في LinkedIn Knowledge Graph. هذه الكيانات تمثل العقد.
تتبع العملية أربع خطوات:
توليد المرشحين: فكر فيهم على أنهم عبارات إنجليزية بسيطة (مثل "Gennaro أنشأ FourWeekMBA.com ")
توضيح الكيانات: يمكن أن يكون لعبارة معنى بناء على السياق. وبالتالي تسمح هذه العملية بتحديد معنى المرحلة وفقًا للسياق الذي تجلس فيه
إلغاء الكيانات المكررة: يتم تنظيم عبارات متعددة قد تمثل نفس الكيان في متجهات الكلمات وتجميعها
ترجمة الكيانات إلى لغات أخرى: يتم ترجمة كيانات المستوى الأعلى للسماح بالدقة العالية
تم إنشاء الرسم البياني للمعرفة فوق التصنيفات. من المثال أعلاه يمكنك رؤية التسلسل الهرمي بناء من التصنيف. عندما يكون لديك مجموعة من المصطلحات ، مثل "مهندس برمجيات" أو "مطور" أو "مبرمج" مجمعة ضمن "مطور برامج". التي هي تحت عنوان "الهندسة".
يتم تنظيم هذه التصنيفات بطريقتين:
العلاقات مع الكيانات الأخرى في التصنيف: فكر في جميع الروابط بين العديد من الكيانات. على سبيل المثال ، كيف ترتبط الشركات والأعضاء والمهارات والصناعات
والميزات المميزة غير الموجودة في أي تصنيف:اعتقد لجميع البيانات الوصفية (بيانات حول البيانات). على سبيل المثال ، شعار الشركة ، إيراداتو URL وما إلى ذلك
يتيح ذلك لـ LinkedIn إنشاء رسم بياني معرفي حيث تكون العلاقات هي الحواف ، بينما الكيانات أو الأشياء في الرسم البياني هي العقد.
من أين تحصل LinkedIn على البيانات لإنشاء تلك العلاقات والكيانات؟
يشير الفريق الهندسي لـ LinkedIn إلى ذلك على أنه "نظام LinkedIn المشترك". يتكون هذا من عدة أجزاء رئيسية:
التعيينات من الأعضاء إلى الكيانات الأخرى (مثل مهارات كل عضو) مهمة لأشياء مثل استهداف الإعلانات ، والبحث عن الأشخاص ، والبحث عن المجند ، والخلاصة ، و عمل وتحليلات المستهلك ؛
تعد عمليات التعيين من الوظائف إلى الكيانات الأخرى (مثل المهارات المطلوبة للوظائف) ضرورية بدلاً من ذلك لتوجيه توصيات الوظائف والبحث عن وظيفة ؛
كما رأينا أحد الجوانب المهمة في الرسم البياني للمعرفة في LinkedIn هو إنتاج البيانات. لقد رأينا نوعين من البيانات: صريحة واستنتاجية. كيف تعمل عمليا؟
الصريح مقابل الاستدلال على LinkedIn البيانات والعلاقات التي تم إنشاؤها
في مقال من LinkedIn ، فإن الفريق الهندسي مثير للاهتمام لمقارنة البيانات التي ينشئها المستخدم ، والتي يسميها LinkedIn صريحة. مع البيانات التي تم إنشاؤها تلقائيًا بواسطة خوارزمية LinkedIn ، وهو ما يسمى ضمنيًا. هناك دراسة حالة مثيرة للاهتمام كمثال:
يمكنك أن ترى على اليسار المهارات التي يولدها العضو (مثل "الأنظمة الموزعة" و "Hadoop" و "قابلية التوسع" وما إلى ذلك). على الجانب الأيمن ، يمكنك رؤية المهارات المستنتجة بدرجة معينة من الثقة ("إدارة المنتج" و "الإدارة" و "الاستشارات" و "الشبكات" وما إلى ذلك).
بمعنى آخر ، إلى جانب المهارات التي تشير إليها في ملفك الشخصي ، تحسب خوارزمية LinkedIn مجموعة من المهارات للتأكد من موازنة المحتوى الذي ينشئه المستخدم.
الرسم البياني المعرفي على LinkedIn قيد التنفيذ
كما هو محدد حتى الآن ما الذي يجعل LinkedIn المنصة سميك هو المعلومات والبيانات المنظمة في رسم بياني معرفي كبير ، مصنوع من العقد والحواف. تسمى قاعدة البيانات الضخمة هذه تقنيًا GraphDB (قاعدة بيانات الرسم البياني). هذا فعال للغاية لأنه يسمح لمنصات مثل LinkedIn مقياس فوق:
تتألق قواعد بيانات الرسم البياني عندما تحاول ربط الكيانات (العقد) ببعضها البعض على طول العلاقات (الحواف). علاوة على الوظائف الجديدة ، تم تحسين GraphDB في LinkedIn بشكل كبير ، وهي قادرة على دعم ملايين الاستعلامات في الثانية في أوقات انتقال منخفضة جدًا.
مفتاح الوجبات الجاهزة
لينكدين: أصبحت الخوارزميات أكثر ذكاءً. ومع ذلك ، تحتاج نماذج الذكاء الاصطناعي والتعلم الآلي إلى الكثير من البيانات لتحسينها. يصبح التعامل مع الكمية الهائلة من البيانات بكفاءة أمرًا بالغ الأهمية. الرسم البياني للمعرفة هو البنية التحتية التي تسمح بفعل ذلك. يسمح بمعالجة كمية البيانات المعقدة والمنظمة والهائلة بسرعة وكفاءة. هذا هو السبب في أن فهم كيفية عمل الرسم البياني المعرفي أمر بالغ الأهمية أيضًا لفهم كيفية تطور هذه الأنظمة الأساسية.
Other companies that manage a massive amount of metadata (data about data), like فيسبوك و جوجل يستخدمون نفس النوع من البنية التحتية.
Gennaro هو منشئ FourWeekMBAالتي وصلت إلى حوالي أربعة ملايين رجل أعمال ، من المديرين التنفيذيين والمستثمرين والمحللين ومديري المنتجات ورواد الأعمال الرقمية الطموحين في عام 2022 وحده | وهو أيضًا مدير المبيعات لتوسيع نطاق التكنولوجيا الفائقة في صناعة الذكاء الاصطناعي | في عام 2012 ، حصل جينارو على ماجستير في إدارة الأعمال الدولية مع التركيز على تمويل الشركات واستراتيجية الأعمال.
