Machine Learning et Réseaux de neurones combinés à une mise en oeuvre soignée pour l'algorithme de recommandations de LinkedIn

Le fameux algorithme de recommandation de contenu utilisé par LinkedIn est un modèle de performance dans sa catégorie.

Explications.

LinkedIn fabrique une toile avec vos relations, ou chaque contact est une intersection, et chaque lien, la matérialisation de la connexion. Dans le jargon, on appelle cette représentation un graphe.

Et chacun de vos contacts a lui-même son graphe. On imagine bien vite qu'avec 830 millions de membres, c'est vite le bazar.

Lorsque LinkedIn recommande votre contenu à des membres, il se sert de ce graphe, mais ne se contente pas de le présenter à tous vos contacts (niveau 1) ni au contact de vos contacts (niveau 2), etc.

Non, non. Il ne fait pas ça.

Il a une recette du tonnerre, un algorithme d'intelligence artificielle, du machine learning si voulez tout savoir, couplé à un réseau de neurones artificiels.

Cette soupe s'appelle un GNN pour Graph Neural Network, l'algorithme répondant lui au doux nom de PASS pour performance-adaptive sampling strategy.

Sa force et son destin sont de sélectionner avec une précision diabolique les membres qui sont le plus à même d'être intéressés par votre post, en se basant sur votre historique de consultation et vos relations, entre autres.

Selon LinkedIn, Pass surpasse le niveau de précision des méthodes GNN de dernière génération de 1,3% à 10,4%

Les copywriters de compétition du réseau ont bien intégré l'existence du fameux algorithme LinkedIn. Ils savent comment écrire des posts qui plaisent à la fois à leur cible et à l'algorithme en question.

Des sorciers.

Cette aptitude est une forme de SEO, non plus orientée pour Google, mais en interne pour LinkedIn.

L'algorithme en question est disponible sur Github.

Retrouvez toute l'actualité sur l'intelligence artificielle