Comment LinkedIn tisse son social graph intelligent de 830 millions de membres

Publié le 19 09 2022 | Mis à jour le 26 11 2022

"Telecommunications General manager" et "Apparel & fashion Salesperson" ne sont pas sélectionnés par le modèle parmi les voisins pertinents. © JDN / Capture

Le réseau social professionnel s'adosse à un graph social neuronal pour aiguiser la pertinence de ses recommandations sans pour autant faire de compromis sur ses performances.

Fort de 830 millions de membres au dernier pointage, LinkedIn adosse le cœur de son réseau professionnel à un graph social combiné à un réseau de neurones artificiels. Une double technologie d'IA qui se classe dans le domaine des graph neural networks (GNN). L'enjeu ? Se baser sur les cercles relationnels de chaque utilisateur, de premier et de deuxième niveau, et sur leur historique de consultation pour leur faire des recommandations à la fois de contenus et de postes à pourvoir. Au fur et à mesure des nouvelles connexions activées et information consommée, le modèle de machine learning s'enrichit et affine la pertinence de ses conseils.

Problème : un GNN n'est pas capable de distinguer le bon grain de l'ivraie. Il tend à prendre en compte toutes les relations sans distinction. Ce qui, au final, engendre des limitations tant en termes de pertinence que de performance. Pour résoudre l'équation, LinkedIn a mis au point une méthode baptisée PASS (pour performance-adaptive sampling strategy).

"Dans beaucoup de cas, un membre a de très nombreuses connexions. Or, les exploiter toutes n'est pas faisable. Par exemple, une célébrité peut avoir des centaines de millions de liens relationnels qui ne se révèlent pas tous pertinents pour une tâche de recommandation donnée", explique-t-on chez LinkedIn.

Lire la suite (JDN)