論文の概要: Generative Job Recommendations with Large Language Model

• arxiv url: http://arxiv.org/abs/2307.02157v1
• Date: Wed, 5 Jul 2023 09:58:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 14:14:10.587218
• Title: Generative Job Recommendations with Large Language Model
• Title（参考訳）: 大規模言語モデルによる生成的業務推薦
• Authors: Zhi Zheng, Zhaopeng Qiu, Xiao Hu, Likang Wu, Hengshu Zhu, Hui Xiong
• Abstract要約: GIRL(GeneratIve job Recommendation based on Large Language model)は、LLM(Large Language Models)分野の最近の進歩に触発された新しいアプローチである。 我々は、求職者のCV(Curriculum Vitae)に基づいて、適切なジョブ記述(JD)を作成する際に、LLMベースのジェネレータを指導するために、スーパーバイザードファインタニング(SFT)戦略を採用する。 特に、GIRLは求職者中心の生成モデルとして機能し、候補セットを必要とせずに求職提案を提供する。
• 参考スコア（独自算出の注目度）: 32.99532175346021
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid development of online recruitment services has encouraged the utilization of recommender systems to streamline the job seeking process. Predominantly, current job recommendations deploy either collaborative filtering or person-job matching strategies. However, these models tend to operate as "black-box" systems and lack the capacity to offer explainable guidance to job seekers. Moreover, conventional matching-based recommendation methods are limited to retrieving and ranking existing jobs in the database, restricting their potential as comprehensive career AI advisors. To this end, here we present GIRL (GeneratIve job Recommendation based on Large language models), a novel approach inspired by recent advancements in the field of Large Language Models (LLMs). We initially employ a Supervised Fine-Tuning (SFT) strategy to instruct the LLM-based generator in crafting suitable Job Descriptions (JDs) based on the Curriculum Vitae (CV) of a job seeker. Moreover, we propose to train a model which can evaluate the matching degree between CVs and JDs as a reward model, and we use Proximal Policy Optimization (PPO)-based Reinforcement Learning (RL) method to further fine-tine the generator. This aligns the generator with recruiter feedback, tailoring the output to better meet employer preferences. In particular, GIRL serves as a job seeker-centric generative model, providing job suggestions without the need of a candidate set. This capability also enhances the performance of existing job recommendation models by supplementing job seeking features with generated content. With extensive experiments on a large-scale real-world dataset, we demonstrate the substantial effectiveness of our approach. We believe that GIRL introduces a paradigm-shifting approach to job recommendation systems, fostering a more personalized and comprehensive job-seeking experience.
• Abstract（参考訳）: オンライン採用サービスの急速な発展は、求職プロセスを合理化するレコメンダシステムの利用を奨励している。 主に、現在のジョブレコメンデーションは、コラボレーティブフィルタリングか、パーソン-ジョブマッチング戦略のいずれかをデプロイする。 しかしながら、これらのモデルは「ブラックボックス」システムとして機能し、求職者に説明可能なガイダンスを提供する能力がない傾向にある。 さらに、従来のマッチングベースのレコメンデーション方法は、データベース内の既存のジョブの検索とランク付けに限られており、総合的なキャリアAIアドバイザとしての可能性を制限する。 そこで本稿では,近年の大規模言語モデル(llm)分野の発展に触発された新しいアプローチであるgirl(generative job recommendation based on large language models)を提案する。 まず,就職希望者のカリキュラム vitae (cv) に基づいて,適切なジョブ記述 (jds) を作成する際に,llm ベースのジェネレータに指示する教師付き微調整 (sft) 戦略を採用する。 さらに,CVとJDの整合度を報酬モデルとして評価できるモデルをトレーニングし,PPOに基づく強化学習(Reinforcement Learning, RL)法を用いて生成体をさらに微調整する。 これはジェネレータとリクルーターのフィードバックを整合させ、雇用主の好みに合うようにアウトプットを調整します。 特に、GIRLは求職者中心の生成モデルとして機能し、候補セットを必要としない求職提案を提供する。 この機能は、ジョブ検索機能に生成されたコンテンツを追加することで、既存のジョブレコメンデーションモデルのパフォーマンスも向上する。 大規模実世界のデータセットを広範囲に実験した結果,本手法の有効性を実証した。 私たちは、ガールがよりパーソナライズされ、包括的な求職体験を育むために、ジョブレコメンデーションシステムにパラダイムシフトのアプローチを導入すると信じています。

関連論文リスト

• STAR: A Simple Training-free Approach for Recommendations using Large Language Models [36.18841135511487]
  大規模言語モデル(LLM)の最近の進歩は、レコメンデーションシステム(RecSys)タスクに有望な新しいアプローチを提供する。 LLMを利用するフレームワークを提案し、微調整を必要とせずに様々なレコメンデーションタスクに適用できる。 本手法はHits@10のパフォーマンスが23.8%,Toys and Gamesが37.5%,Sports and Outdoorsが1.8%であった。
  論文  参考訳（メタデータ） (2024-10-21T19:34:40Z)
• Proactive Agent: Shifting LLM Agents from Reactive Responses to Active Assistance [95.03771007780976]
  我々は、人間の指示なしにタスクを予測および開始できるプロアクティブエージェントを開発するという課題に取り組む。 まず,実世界の人的活動を収集し,前向きなタスク予測を生成する。 これらの予測は、ヒトのアノテータによって受け入れられるか拒否されるかのどちらかとしてラベル付けされる。 ラベル付きデータは、人間の判断をシミュレートする報酬モデルをトレーニングするために使用される。
  論文  参考訳（メタデータ） (2024-10-16T08:24:09Z)
• Facilitating Multi-Role and Multi-Behavior Collaboration of Large Language Models for Online Job Seeking and Recruiting [51.54907796704785]
  既存の手法は履歴書とジョブ記述の潜在意味論をモデル化し、それらの間に一致する関数を学習することに依存している。 大規模言語モデル (LLM) の強力なロールプレイング能力に触発されて, LLM によるインタビュアーと候補者のモックインタビュープロセスを導入することを提案する。 そこで我々は,モックインタビュー生成とハンドシェイクプロトコルにおける双方向評価という2つのモジュールにパーソナライズされたマッチングプロセスを分割する,新しいフレームワークであるMockLLMを提案する。
  論文  参考訳（メタデータ） (2024-05-28T12:23:16Z)
• JobFormer: Skill-Aware Job Recommendation with Semantic-Enhanced Transformer [36.695509840067906]
  ジョブレコメンデーションは、キャリアの軌跡と整合した仕事記述を潜在的な人材に提供することを目的としている。 実世界の管理シナリオでは、利用可能なJD-ユーザレコードは常にJD、ユーザプロファイル、クリックデータで構成される。 本稿では,JDをパースし,パーソナライズされたジョブレコメンデーションをパースする設計されたセマンティック・エンハンスド・トランスフォーマーに基づく,新しいスキルアウェア・レコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-05T12:25:00Z)
• RecMind: Large Language Model Powered Agent For Recommendation [16.710558148184205]
  RecMindは、ゼロショットパーソナライズされたレコメンデーションを慎重に計画する自律的なレコメンデーションエージェントである。 実験の結果,RecMind は既存のゼロ/フェーショット LLM ベースのレコメンデーションベースライン手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-08-28T04:31:04Z)
• Exploring Large Language Model for Graph Data Understanding in Online Job Recommendations [63.19448893196642]
  本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。 この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
  論文  参考訳（メタデータ） (2023-07-10T11:29:41Z)
• GenRec: Large Language Model for Generative Recommendation [41.22833600362077]
  本稿では,テキストデータに基づく大規模言語モデル(LLM)を用いたレコメンデーションシステムに対する革新的なアプローチを提案する。 GenRecはLLMの理解機能を使ってコンテキストを解釈し、ユーザの好みを学習し、関連するレコメンデーションを生成する。 本研究は,レコメンデーションシステムの領域に革命をもたらす上で,LLMに基づくジェネレーティブレコメンデーションの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2023-07-02T02:37:07Z)
• A Survey on Large Language Models for Recommendation [77.91673633328148]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。 本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
  論文  参考訳（メタデータ） (2023-05-31T13:51:26Z)
• Large Language Models are Zero-Shot Rankers for Recommender Systems [76.02500186203929]
  本研究では,レコメンダシステムのランキングモデルとして機能する大規模言語モデル(LLM)の能力を検討することを目的とする。 LLMにはゼロショットランキング能力があるが、歴史的相互作用の順序を理解するのに苦労していることを示す。 これらの問題は、特別に設計されたプロンプトとブートストラップ戦略によって緩和可能であることを実証する。
  論文  参考訳（メタデータ） (2023-05-15T17:57:39Z)
• Recommendation as Instruction Following: A Large Language Model Empowered Recommendation Approach [83.62750225073341]
  我々は、大規模言語モデル(LLM)による指示としてレコメンデーションを考える。 まず、ユーザの好み、意図、タスクフォーム、コンテキストを自然言語で記述するための一般的な命令形式を設計する。 そして、39の命令テンプレートを手動で設計し、大量のユーザ個人化された命令データを自動的に生成する。
  論文  参考訳（メタデータ） (2023-05-11T17:39:07Z)

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。