論文の概要: JobRecoGPT -- Explainable job recommendations using LLMs

• arxiv url: http://arxiv.org/abs/2309.11805v1
• Date: Thu, 21 Sep 2023 06:25:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-22 16:39:43.959294
• Title: JobRecoGPT -- Explainable job recommendations using LLMs
• Title（参考訳）: JobRecoGPT -- LLMを使用した説明可能なジョブレコメンデーション
• Authors: Preetam Ghosh, Vaishali Sadaphal
• Abstract要約: 大規模言語モデル(LLM)は、テキストベースのデータが利用可能な分野において、異常なパフォーマンスでAI分野を席巻した。 そこで本研究では,求人推薦のための4つのアプローチのパフォーマンスを比較した。
• 参考スコア（独自算出の注目度）: 1.6317061277457001
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In today's rapidly evolving job market, finding the right opportunity can be a daunting challenge. With advancements in the field of AI, computers can now recommend suitable jobs to candidates. However, the task of recommending jobs is not same as recommending movies to viewers. Apart from must-have criteria, like skills and experience, there are many subtle aspects to a job which can decide if it is a good fit or not for a given candidate. Traditional approaches can capture the quantifiable aspects of jobs and candidates, but a substantial portion of the data that is present in unstructured form in the job descriptions and resumes is lost in the process of conversion to structured format. As of late, Large Language Models (LLMs) have taken over the AI field by storm with extraordinary performance in fields where text-based data is available. Inspired by the superior performance of LLMs, we leverage their capability to understand natural language for capturing the information that was previously getting lost during the conversion of unstructured data to structured form. To this end, we compare performance of four different approaches for job recommendations namely, (i) Content based deterministic, (ii) LLM guided, (iii) LLM unguided, and (iv) Hybrid. In this study, we present advantages and limitations of each method and evaluate their performance in terms of time requirements.
• Abstract（参考訳）: 今日の急成長する雇用市場では、適切な機会を見つけることは大変な挑戦だ。 AI分野の進歩により、コンピュータは候補者に適切なジョブを推薦できるようになった。 しかし、仕事の推薦は視聴者に映画を推薦するのと同じではない。 スキルや経験のような必然的な基準とは別に、ある候補に適しているかどうかを判断できる仕事には微妙な側面がたくさんあります。 従来の方法では、ジョブや候補の定量化の側面を捉えることができるが、ジョブ記述や履歴書の非構造化形式で存在するデータの大部分は、構造化フォーマットへの変換の過程で失われる。 最近になって、Large Language Models (LLM) は、テキストベースのデータが利用可能な分野において、異常なパフォーマンスでAI分野を席巻した。 LLMの優れた性能にインスパイアされ、構造化されていないデータから構造化された形式への変換の際に失った情報を取得するために、自然言語を理解する能力を活用する。 この目的のために,4つの異なるアプローチ,すなわち求職勧告のパフォーマンスを比較した。 一 内容に基づく決定論 (II)LLMガイド。 (iii)無誘導、及び (iv)ハイブリッド。 本研究では,各手法の利点と限界を示し,その性能を時間的要求の観点から評価する。

関連論文リスト

• SELF-GUIDE: Better Task-Specific Instruction Following via Self-Synthetic Finetuning [70.21358720599821]
  大規模言語モデル(LLM)は、適切な自然言語プロンプトを提供する際に、多様なタスクを解決するという約束を持っている。 学生LLMからタスク固有の入出力ペアを合成する多段階メカニズムであるSELF-GUIDEを提案する。 ベンチマークの指標から,分類タスクに約15%,生成タスクに18%の絶対的な改善を報告した。
  論文  参考訳（メタデータ） (2024-07-16T04:41:58Z)
• Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
  長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。 実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。 以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
  論文  参考訳（メタデータ） (2024-06-19T00:28:58Z)
• A Survey on Prompting Techniques in LLMs [0.0]
  自己回帰型大規模言語モデルは自然言語処理のランドスケープに変化をもたらした。 本研究は,既存の文献の分類手法について紹介し,この分類法に基づく簡潔な調査を行う。 我々は、将来の研究の方向性として役立つ自己回帰型LSMの推進という領域において、いくつかの未解決の問題を特定した。
  論文  参考訳（メタデータ） (2023-11-28T17:56:34Z)
• LLM4Jobs: Unsupervised occupation extraction and standardization leveraging Large Language Models [14.847441358093866]
  本稿では,LLM4Jobsについて紹介する。LLM4Jobsは,大規模言語モデル(LLM)の職業的符号化能力を活用する,教師なしの方法論である。 合成および実世界のデータセット上で厳密な実験を行い、LLM4Jobsが教師なしの最先端ベンチマークを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2023-09-18T12:22:00Z)
• How Can Recommender Systems Benefit from Large Language Models: A Survey [82.06729592294322]
  大きな言語モデル(LLM)は、印象的な汎用知性と人間のような能力を示している。 我々は,実世界のレコメンデータシステムにおけるパイプライン全体の観点から,この研究の方向性を包括的に調査する。
  論文  参考訳（メタデータ） (2023-06-09T11:31:50Z)
• OverPrompt: Enhancing ChatGPT through Efficient In-Context Learning [49.38867353135258]
  複数のタスク入力を処理するために,LLMのコンテキスト内学習機能を活用したOverPromptを提案する。 本実験により,OverPromptはタスク性能を著しく損なうことなく,コスト効率の良いゼロショット分類を実現することができることがわかった。
  論文  参考訳（メタデータ） (2023-05-24T10:08:04Z)
• Editing Large Language Models: Problems, Methods, and Opportunities [51.903537096207]
  本稿では, LLMのモデル編集に関わる問題, 方法, 機会を深く探究する。 本稿では,モデル編集に関わるタスク定義と課題の概観と,現在処理中の最も進歩的な手法の詳細な実証分析について述べる。 本研究の目的は,各編集手法の有効性と実現可能性に関する貴重な知見を提供することであり,特定のタスクやコンテキストに対して,最も適切な方法の選択に関する情報決定を行う上で,コミュニティを支援することである。
  論文  参考訳（メタデータ） (2023-05-22T16:00:00Z)
• Document-Level Machine Translation with Large Language Models [91.03359121149595]
  大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクに対して、一貫性、凝集性、関連性、流動性のある回答を生成することができる。 本稿では,LLMの談話モデルにおける能力について詳細に評価する。
  論文  参考訳（メタデータ） (2023-04-05T03:49:06Z)
• "FIJO": a French Insurance Soft Skill Detection Dataset [0.0]
  本稿では、多くのソフトスキルアノテーションを含む保険業務のオファーを含む新しい公開データセットFIJOを提案する。 名前付きエンティティ認識を用いたスキル検出アルゴリズムの結果を提示し、トランスフォーマーベースのモデルがこのデータセット上で優れたトークンワイズ性能を示すことを示す。
  論文  参考訳（メタデータ） (2022-04-11T15:54:22Z)

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。