論文の概要: Learning to Match Jobs with Resumes from Sparse Interaction Data using Multi-View Co-Teaching Network

• arxiv url: http://arxiv.org/abs/2009.13299v1
• Date: Fri, 25 Sep 2020 03:09:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 22:30:05.520556
• Title: Learning to Match Jobs with Resumes from Sparse Interaction Data using Multi-View Co-Teaching Network
• Title（参考訳）: マルチビュー協調学習ネットワークを用いたスパースインタラクションデータからジョブとリユースをマッチングする学習
• Authors: Shuqing Bian, Xu Chen, Wayne Xin Zhao, Kun Zhou, Yupeng Hou, Yang Song, Tao Zhang and Ji-Rong Wen
• Abstract要約: ジョブ列のインタラクションデータは疎結合でノイズが多く、ジョブ列のマッチングアルゴリズムのパフォーマンスに影響する。 求人情報マッチングのための疎相互作用データから,新しいマルチビュー協調学習ネットワークを提案する。 我々のモデルは求人マッチングの最先端手法より優れている。
• 参考スコア（独自算出の注目度）: 83.64416937454801
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the ever-increasing growth of online recruitment data, job-resume matching has become an important task to automatically match jobs with suitable resumes. This task is typically casted as a supervised text matching problem. Supervised learning is powerful when the labeled data is sufficient. However, on online recruitment platforms, job-resume interaction data is sparse and noisy, which affects the performance of job-resume match algorithms. To alleviate these problems, in this paper, we propose a novel multi-view co-teaching network from sparse interaction data for job-resume matching. Our network consists of two major components, namely text-based matching model and relation-based matching model. The two parts capture semantic compatibility in two different views, and complement each other. In order to address the challenges from sparse and noisy data, we design two specific strategies to combine the two components. First, two components share the learned parameters or representations, so that the original representations of each component can be enhanced. More importantly, we adopt a co-teaching mechanism to reduce the influence of noise in training data. The core idea is to let the two components help each other by selecting more reliable training instances. The two strategies focus on representation enhancement and data enhancement, respectively. Compared with pure text-based matching models, the proposed approach is able to learn better data representations from limited or even sparse interaction data, which is more resistible to noise in training data. Experiment results have demonstrated that our model is able to outperform state-of-the-art methods for job-resume matching.
• Abstract（参考訳）: オンラインリクルートデータの増大に伴い、ジョブとジョブのマッチングは、適切な履歴書と自動的にマッチする重要なタスクになっている。 このタスクは通常、教師付きテキストマッチング問題としてキャストされる。 教師あり学習はラベル付きデータが十分であれば強力である。 しかし、オンラインリクルートプラットフォームでは、ジョブ-リクルート間インタラクションデータは疎結合でノイズが多く、ジョブ-リクルートマッチングアルゴリズムのパフォーマンスに影響する。 そこで,本稿では,ジョブ・リザームマッチングのための疎相互作用データを用いたマルチビュー協調学習ネットワークを提案する。 ネットワークはテキストベースマッチングモデルと関係ベースマッチングモデルという2つの主要コンポーネントから構成されている。 2つのパートは、セマンティックな互換性を2つの異なるビューで捉え、相互に補完する。 スパースデータとノイズデータからの課題に対処するため、我々は2つのコンポーネントを組み合わせるための2つの戦略を設計した。 まず、2つのコンポーネントが学習したパラメータや表現を共有し、各コンポーネントのオリジナルの表現を拡張する。 さらに,学習データにおけるノイズの影響を低減するために,共同学習機構を採用する。 中心となるアイデアは、より信頼性の高いトレーニングインスタンスを選択することで、2つのコンポーネントが互いに助け合うことだ。 2つの戦略は、それぞれ表現強化とデータ強化に焦点を当てている。 純粋なテキストベースのマッチングモデルと比較して、提案手法は、トレーニングデータのノイズに耐性のある、限定的あるいはスパースなインタラクションデータからより良いデータ表現を学習することができる。 実験結果から,本モデルがジョブリデュームマッチングの最先端メソッドを上回ることができることを実証した。

関連論文リスト

• Improving General Text Embedding Model: Tackling Task Conflict and Data Imbalance through Model Merging [33.23758947497205]
  高度な埋め込みモデルは、通常、大規模マルチタスクデータと複数のタスクをまたいだ共同トレーニングを用いて開発される。 これらの課題を克服するために、独立に訓練されたモデルを組み合わせて勾配の衝突を緩和し、データ分散のバランスをとるモデルマージングについて検討する。 本稿では,勾配降下を用いたタスクベクトル空間内の最適モデル組合せを効率的に探索する新たな手法であるSelf Positioningを提案する。
  論文  参考訳（メタデータ） (2024-10-19T08:39:21Z)
• Loop Improvement: An Efficient Approach for Extracting Shared Features from Heterogeneous Data without Central Server [16.249442761713322]
  LI(Loop Improvement)は、この分離と特徴抽出を、参加者間の中央サーバやデータ交換を必要とせずに強化する新しい手法である。 パーソナライズされたフェデレーション学習環境では、LIは様々なシナリオで高度なFedALAアルゴリズムよりも精度が高い。 LIの適応性はマルチタスク学習にまで拡張され、タスク間で共通の機能の抽出が合理化され、同時にトレーニングする必要がなくなる。
  論文  参考訳（メタデータ） (2024-03-21T12:59:24Z)
• List-aware Reranking-Truncation Joint Model for Search and Retrieval-augmented Generation [80.12531449946655]
  本稿では,2つのタスクを同時に実行可能なRe rank-Truncation joint model(GenRT)を提案する。 GenRTは、エンコーダ-デコーダアーキテクチャに基づく生成パラダイムによるリランクとトランケーションを統合している。 提案手法は,Web検索および検索拡張LLMにおけるリランクタスクとトラルケーションタスクの両方においてSOTA性能を実現する。
  論文  参考訳（メタデータ） (2024-02-05T06:52:53Z)
• Contrastive Transformer Learning with Proximity Data Generation for Text-Based Person Search [60.626459715780605]
  記述的なテキストクエリーを与えられたテキストベースの人物検索は、画像ギャラリーからベストマッチした人物を検索することを目的としている。 このようなクロスモーダル検索タスクは、重要なモダリティギャップ、きめ細かい相違、注釈付きデータの不十分さのため、かなり難しい。 本稿では,テキストに基づく人物検索のための2つのトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2023-11-15T16:26:49Z)
• Personalized Decentralized Multi-Task Learning Over Dynamic Communication Graphs [59.96266198512243]
  本稿では,正と負の相関関係を持つタスクに対する分散・フェデレーション学習アルゴリズムを提案する。 本アルゴリズムでは,タスク間の相関関係を自動的に計算し,コミュニケーショングラフを動的に調整して相互に有益なタスクを接続し,互いに悪影響を及ぼす可能性のあるタスクを分離する。 合成ガウスデータセットと大規模セレブ属性(CelebA)データセットについて実験を行った。
  論文  参考訳（メタデータ） (2022-12-21T18:58:24Z)
• Improving Multi-task Generalization Ability for Neural Text Matching via Prompt Learning [54.66399120084227]
  最近の最先端のニューラルテキストマッチングモデル(PLM)は、様々なタスクに一般化することが難しい。 我々は、特殊化一般化訓練戦略を採用し、それをMatch-Promptと呼ぶ。 特殊化段階では、異なるマッチングタスクの記述はいくつかのプロンプトトークンにマッピングされる。 一般化段階において、テキストマッチングモデルは、多種多様なマッチングタスクを訓練することにより、本質的なマッチング信号を探索する。
  論文  参考訳（メタデータ） (2022-04-06T11:01:08Z)
• Learning Bidirectional Translation between Descriptions and Actions with Small Paired Data [5.188295416244741]
  本研究では,双方向翻訳のための2段階学習手法を提案する。 我々は、大量の非ペアデータによる記述と動作のために、繰り返しオートエンコーダ(RAE)を訓練する。 そして、小さなペアデータを用いてモデル全体を微調整し、その中間表現を結合する。
  論文  参考訳（メタデータ） (2022-03-08T17:39:16Z)
• Improving Multi-Turn Response Selection Models with Complementary Last-Utterance Selection by Instance Weighting [84.9716460244444]
  我々は、データリソース自体の根底にある相関を利用して、異なる種類の監視信号を導出することを検討する。 2つの公開データセットで広範な実験を行い、両方のデータセットで大幅に改善した。
  論文  参考訳（メタデータ） (2020-02-18T06:29:01Z)

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。