Fugu-MT 論文翻訳(概要): Learning to Ask Screening Questions for Job Postings

論文の概要: Learning to Ask Screening Questions for Job Postings

arxiv url: http://arxiv.org/abs/2004.14969v1
Date: Thu, 30 Apr 2020 17:18:17 GMT
ステータス: 処理完了
システム内更新日: 2022-12-08 03:23:18.368757
Title: Learning to Ask Screening Questions for Job Postings
Title（参考訳）: 求人情報に対する質問に対する質問
Authors: Baoxu Shi, Shan Li, Jaewon Yang, Mustafa Emre Kazdagli, Qi He
Abstract要約: 我々は、リクルーターがオンラインでスクリーニング質問をすることができる新しい製品を開発し、適任候補者のフィルタリングを容易にする。 LinkedInのアクティブなジョブに$20M(2000万ドル)のスクリーニング質問を追加するために、所定のジョブ投稿に対するスクリーニング質問を自動的に生成することを目的とした、新しいタスクを提案する。歴史的データを持たない新しい製品であるため、我々は深層移動学習を用いて、限られたトレーニングデータで複雑なモデルを訓練する。
参考スコア（独自算出の注目度）: 14.277596274680617
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: At LinkedIn, we want to create economic opportunity for everyone in the global workforce. A critical aspect of this goal is matching jobs with qualified applicants. To improve hiring efficiency and reduce the need to manually screening each applicant, we develop a new product where recruiters can ask screening questions online so that they can filter qualified candidates easily. To add screening questions to all $20$M active jobs at LinkedIn, we propose a new task that aims to automatically generate screening questions for a given job posting. To solve the task of generating screening questions, we develop a two-stage deep learning model called Job2Questions, where we apply a deep learning model to detect intent from the text description, and then rank the detected intents by their importance based on other contextual features. Since this is a new product with no historical data, we employ deep transfer learning to train complex models with limited training data. We launched the screening question product and our AI models to LinkedIn users and observed significant impact in the job marketplace. During our online A/B test, we observed $+53.10\%$ screening question suggestion acceptance rate, $+22.17\%$ job coverage, $+190\%$ recruiter-applicant interaction, and $+11$ Net Promoter Score. In sum, the deployed Job2Questions model helps recruiters to find qualified applicants and job seekers to find jobs they are qualified for.
Abstract（参考訳）: LinkedInでは、グローバルな労働者全員に経済的機会を作りたいと思っています。この目標の重要な側面は、適格な応募者との仕事のマッチングである。採用効率を向上し、手作業で各応募者をスクリーニングする必要性を減らすために、採用担当者がオンラインで質問をすることができる新製品を開発し、適格候補者のフィルタリングを容易に行えるようにした。 linkedinで20万ドルのアクティブなジョブすべてにスクリーニング質問を追加するために、あるジョブ投稿のスクリーニング質問を自動的に生成する新しいタスクを提案します。そこで,テキスト記述から意図を検出するために深層学習モデルを適用し,その重要度に基づいて検出された意図をランク付けする。歴史的データを持たない新しい製品であるため、我々は深層移動学習を用いて、限られたトレーニングデータで複雑なモデルを訓練する。私たちはスクリーニング質問製品とAIモデルをLinkedInユーザーに提供し、求人市場における大きな影響を観察しました。オンラインA/Bテストでは、+53.10\%$スクリーニング質問の受入率、$+22.17\%$ジョブカバレッジ、$+190\%$リクサアプリケーションインタラクション、$+11$ネットプロモータースコアを観察しました。まとめると、配置されたjob2questionsモデルは、採用者が資格のある応募者や求職者を見つけ、資格のある職を見つけるのに役立つ。

関連論文リスト

Nasdaq-100 Companies' Hiring Insights: A Topic-based Classification Approach to the Labor Market [0.0]
本稿では,現代のオンライン労働市場における職種分類のためのデータマイニング手法を提案する。マーケティング、ブランディング、セールス、ソフトウェアエンジニアリング、ハードウェアエンジニアリング、産業エンジニアリング、プロジェクトマネジメントの13の職種が、最も頻繁に投稿される職種である。
論文参考訳（メタデータ） (2024-09-01T08:18:56Z)
CLARINET: Augmenting Language Models to Ask Clarification Questions for Retrieval [52.134133938779776]
CLARINETは,回答が正しい候補の確実性を最大化する質問を選択することで,情報的明確化を問うシステムである。提案手法は,大規模言語モデル(LLM)を検索分布の条件付きで拡張し,各ターンで真の候補のランクを最大化する問題を生成する。
論文参考訳（メタデータ） (2024-04-28T18:21:31Z)
FreshLLMs: Refreshing Large Language Models with Search Engine Augmentation [92.43001160060376]
本研究では,現在の世界知識をテストする質問に答える文脈において,大規模言語モデル(LLM)の事実性について検討する。多様な質問や回答のタイプを含む新しい動的QAベンチマークであるFreshQAを紹介する。我々は,2モード評価法により,閉じたLLMとオープンソースのLLMの多種多様な配列をベンチマークし,その正しさと幻覚の両面を計測する。これらの結果に触発されたFreshPromptは、FreshQA上でのLLMの性能を大幅に向上させる単純な数ショットプロンプトである。
論文参考訳（メタデータ） (2023-10-05T00:04:12Z)
WebCPM: Interactive Web Search for Chinese Long-form Question Answering [104.676752359777]
LFQA(Long-form Question answering)は、複雑でオープンな質問に、段落長の詳細な回答で答えることを目的としている。中国初のLFQAデータセットであるWebCPMを紹介する。高品質な質問応答対5,500件,支援事実14,315件,Web検索121,330件を収集した。
論文参考訳（メタデータ） (2023-05-11T14:47:29Z)
Detecting Fake Job Postings Using Bidirectional LSTM [0.0]
本研究は、偽の求人広告を特定するために、双方向長短期記憶(Bidirectional Long Short-Term Memory, Bi-LSTM)モデルを用いる。提案したモデルは、0.91ROC AUCスコアと98.71%の精度で優れた性能を示す。この研究の成果は、偽の求人投稿の拡散に対抗できる堅牢で自動化されたツールの開発に寄与する。
論文参考訳（メタデータ） (2023-04-03T20:05:27Z)
EZInterviewer: To Improve Job Interview Performance with Mock Interview Generator [60.2099886983184]
EZInterviewerは、オンライン面接データから学び、求職者に模擬面接サービスを提供する。低リソースの課題に対処するため、EZInterviewerはインタビューダイアログのごく小さなセットで訓練されている。
論文参考訳（メタデータ） (2023-01-03T07:00:30Z)
AI-enabled exploration of Instagram profiles predicts soft skills and personality traits to empower hiring decisions [0.0]
我々は、Instagramのプロフィールから、16のオンデマンドソフトスキルからなる幅広い行動能力を自動的に予測できることを示した。モデルは、オンラインアンケートに回答し、Instagramのユーザー名を提供した400人のイランのボランティアユーザーのサンプルに基づいて構築された。ディープラーニングモデルは、それぞれ2レベルと3レベルの分類において、70%と69%の平均精度を示すことで、主にパフォーマンスを向上した。
論文参考訳（メタデータ） (2022-12-14T07:35:11Z)
Template-based Recruitment Email Generation For Job Recommendation [21.265844662228847]
本研究の目的は,ジョブレコメンデーションのための自動メール生成のトピックを定義し,課題を特定し,デンマークのジョブのためのベースラインテンプレートベースのソリューションを提供することである。我々は、この課題をもっとうまく解決するために、今後の研究の方向性を議論することで締めくくります。
論文参考訳（メタデータ） (2022-12-06T11:19:45Z)
Inquisitive Question Generation for High Level Text Comprehension [60.21497846332531]
InQUISITIVEは、文書を読みながら19K質問を抽出するデータセットである。我々は,読者が情報を求めるための実践的な戦略に携わることを示す。我々は, GPT-2に基づく質問生成モデルを評価し, 妥当な質問を生成することができることを示す。
論文参考訳（メタデータ） (2020-10-04T19:03:39Z)
Mining Implicit Relevance Feedback from User Behavior for Web Question Answering [92.45607094299181]
本研究は,ユーザ行動と通過関連性との関連性を検討するための最初の研究である。提案手法は,追加のラベル付きデータを使わずにパスランキングの精度を大幅に向上させる。実際にこの研究は、グローバルな商用検索エンジンにおけるQAサービスの人為的ラベリングコストを大幅に削減する効果が証明されている。
論文参考訳（メタデータ） (2020-06-13T07:02:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。