LinkedIn a présenté Profile Relevance, un modèle qui détermine quelles publications de personnes non connectées apparaissent dans le fil des membres, dans un billet du blog Engineering signé par l'ingénieur Shiyong Lin. Selon LinkedIn, ce système associe les membres et les publications grâce à des embeddings générés par des grands modèles de langage (LLM), à partir du contexte professionnel de chacun.

Cette annonce complète la refonte du fil que LinkedIn a décrite le 12 mars 2026, avec un système de récupération basé sur des LLM et un modèle de classement de type Generative Recommender. Profile Relevance ne remplace donc pas tout l'algorithme : il concerne la partie qui sélectionne les contenus hors réseau. Pour les professionnels qui s'appuient sur la plateforme, comprendre ces mécanismes fait partie de l'utilité des réseaux sociaux dans le marketing digital.

Profile Relevance : comment LinkedIn associe membres et publications

Le modèle Profile Relevance repose sur le profil public du membre. Selon le résumé de l'article officiel, son titre, ses compétences, son historique professionnel et sa formation sont transformés en embeddings par un LLM, puis comparés aux embeddings des publications.

Il s'agit d'un système de récupération non supervisé. LinkedIn indique qu'il évalue la correspondance entre chaque publication et le contexte professionnel du membre selon plusieurs critères :

  • Le sujet;
  • Le lieu;
  • L'intitulé du poste;
  • L'entreprise;
  • Le secteur;
  • L'ancienneté et la formation.

Shiyong Lin écrit que le système évalue « dans quelle mesure chaque publication correspond au contexte professionnel d'un membre », selon des facteurs précis comme ceux-ci.

Les résultats des tests en ligne de Profile Relevance

Les expériences en ligne de LinkedIn montrent des gains modestes mais mesurables par rapport au système précédent. Shiyong Lin indique une hausse de 0,54 % des mises à jour consultées dans le fil, une hausse de 0,94 % du « viral rate » et une baisse de 18,8 % du taux de masquage des publications. Ces chiffres sont des variations relatives, pas des points de pourcentage.

Le billet évoque aussi les membres qui ont peu d'historique sur la plateforme. D'après le résumé de l'article, leur engagement viral progresse de 17,7 %. LinkedIn résume l'objectif par une expérience membre « plus pertinente et moins bruyante ».

Ce que le fil LinkedIn change pour les créateurs de contenu

Le fil LinkedIn, avec Profile Relevance, doit aider les publications des créateurs à toucher des audiences en dehors de leur réseau immédiat, selon Shiyong Lin. Le critère n'est plus seulement le nombre de relations : la proximité entre le profil du lecteur et le sujet du post compte.

Pour une entreprise, cela renforce l'intérêt d'un profil complet et d'un contenu clairement rattaché à un secteur. Ces réflexes rejoignent ceux qu'on retrouve quand on cherche à faire exister son entreprise en ligne en 2026.

Évaluation et coût de calcul de l'algorithme LinkedIn

L'évaluation du modèle a changé d'échelle. D'après le résumé de l'article, LinkedIn est passée de 20 à 1 000 enregistrements annotés par des humains pour chaque modèle, avec un pipeline d'évaluation automatisé par LLM. Les premiers résultats ont d'abord été examinés à la main.

Sur le calcul, le résumé indique que les mises à jour incrémentales réduisent la charge à 24 % de celle d'une régénération complète des embeddings. LinkedIn, qui compte 1,3 milliard de membres, n'a pas communiqué de date de déploiement ni de pays concernés par Profile Relevance.