論文の概要: JobFormer: Skill-Aware Job Recommendation with Semantic-Enhanced Transformer
- arxiv url: http://arxiv.org/abs/2404.04313v1
- Date: Fri, 5 Apr 2024 12:25:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-09 23:37:10.651339
- Title: JobFormer: Skill-Aware Job Recommendation with Semantic-Enhanced Transformer
- Title（参考訳）: JobFormer:Semantic-Enhanced Transformerを使用したスキル対応求人勧告
- Authors: Zhihao Guan, Jia-Qi Yang, Yang Yang, Hengshu Zhu, Wenjie Li, Hui Xiong,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 36.695509840067906
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Job recommendation aims to provide potential talents with suitable job descriptions (JDs) consistent with their career trajectory, which plays an essential role in proactive talent recruitment. In real-world management scenarios, the available JD-user records always consist of JDs, user profiles, and click data, in which the user profiles are typically summarized as the user's skill distribution for privacy reasons. Although existing sophisticated recommendation methods can be directly employed, effective recommendation still has challenges considering the information deficit of JD itself and the natural heterogeneous gap between JD and user profile. To address these challenges, we proposed a novel skill-aware recommendation model based on the designed semantic-enhanced transformer to parse JDs and complete personalized job recommendation. Specifically, we first model the relative items of each JD and then adopt an encoder with the local-global attention mechanism to better mine the intra-job and inter-job dependencies from JD tuples. Moreover, we adopt a two-stage learning strategy for skill-aware recommendation, in which we utilize the skill distribution to guide JD representation learning in the recall stage, and then combine the user profiles for final prediction in the ranking stage. Consequently, we can embed rich contextual semantic representations for learning JDs, while skill-aware recommendation provides effective JD-user joint representation for click-through rate (CTR) prediction. To validate the superior performance of our method for job recommendation, we present a thorough empirical analysis of large-scale real-world and public datasets to demonstrate its effectiveness and interpretability.
- Abstract（参考訳）: ジョブレコメンデーションは、プロアクティブな人材募集において不可欠な役割を担っているキャリアの軌道と整合した求職記述(JD)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、クリックデータから構成される。
既存の高度なレコメンデーション手法を直接適用することは可能だが,JD自体の情報不足や,JDとユーザプロファイルの自然な不均一なギャップを考慮し,効果的なレコメンデーションには依然として課題がある。
これらの課題に対処するため、我々は、JDを解析し、パーソナライズされたジョブレコメンデーションを完全化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した。
具体的には、まず各JDの相対的項目をモデル化し、次に、局所的なアテンション機構を備えたエンコーダを採用して、JDタプルからのジョブ内およびジョブ間の依存関係をよりよくマイニングする。
さらに、スキル・アウェア・レコメンデーションのための2段階の学習戦略を採用し、スキル・ディストリビューションを利用して、リコール段階におけるJD表現学習をガイドし、その後、ランキング段階における最終予測にユーザプロファイルを組み合わせる。
その結果、JDを学習するためのコンテキスト意味表現をリッチに組み込むことができ、スキル認識による推薦はクリックスルー率(CTR)予測に有効なJD-ユーザ共同表現を提供する。
ジョブレコメンデーション手法の優れた性能を検証するため,大規模な実世界のデータセットと公開データセットを徹底的に分析し,その有効性と解釈可能性を示す。
関連論文リスト
- Preference Diffusion for Recommendation [50.8692409346126]
DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。
PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。
これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
論文 参考訳（メタデータ） (2024-10-17T01:02:04Z) - T-JEPA: Augmentation-Free Self-Supervised Learning for Tabular Data [0.0]
自己教師付き学習(SSL)は一般的に同じサンプルの異なるビューを生成するため、データ拡張が必要である。
本研究では,構造化データに対する拡張不要なSSL方式を提案する。
我々のアプローチであるT-JEPAは、JEPA(Joint Embedding Predictive Architecture)に依存しており、潜伏した空間における再構築のマスクに似ている。
論文 参考訳（メタデータ） (2024-10-07T13:15:07Z) - Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application [54.984348122105516]
大規模テキストコーパスで事前訓練されたLarge Language Models (LLMs) は、推奨システムを強化するための有望な道を示す。
オープンワールドの知識と協調的な知識を相乗化するLlm-driven knowlEdge Adaptive RecommeNdation (LEARN) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-07T04:00:30Z) - Cross-Domain Causal Preference Learning for Out-of-Distribution Recommendation [0.8315707564931466]
現在の推奨システムは、トレーニングとテストデータセットが同じ分布を持つという仮定に依存している。
本研究では,CDCOR(Out-of-Distribution Recommendation)のためのクロスドメイン因果選好学習モデルを提案する。
論文 参考訳（メタデータ） (2024-04-23T09:21:15Z) - LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。
LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。
我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
論文 参考訳（メタデータ） (2024-02-06T19:18:04Z) - Uncertainty-Aware Explainable Recommendation with Large Language Models [15.229417987212631]
GPT-2のプロンプトとしてユーザおよびアイテム入力のIDベクトルを利用するモデルを開発する。
マルチタスク学習フレームワークには,推薦タスクと説明タスクの両方を最適化するために,共同トレーニング機構が採用されている。
提案手法はYelp, TripAdvisor, Amazon のデータセット上でそれぞれ 1.59 DIV, 0.57 USR, 0.41 FCR を達成する。
論文 参考訳（メタデータ） (2024-01-31T14:06:26Z) - Generative Judge for Evaluating Alignment [84.09815387884753]
本稿では,これらの課題に対処するために,13Bパラメータを持つ生成判断器Auto-Jを提案する。
我々のモデルは,大規模な実環境シナリオ下でのユーザクエリとLLM生成応答に基づいて訓練されている。
実験的に、Auto-Jはオープンソースモデルとクローズドソースモデルの両方を含む、強力なライバルのシリーズを上回っている。
論文 参考訳（メタデータ） (2023-10-09T07:27:15Z) - 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) - Generative Job Recommendations with Large Language Model [32.99532175346021]
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。
論文 参考訳（メタデータ） (2023-07-05T09:58:08Z) - Toward a traceable, explainable, and fairJD/Resume recommendation system [10.820022470618234]
自動採用システムの開発は今でも大きな課題の1つだ。
我々の目的は、JD/Resumeマッチングプロセスを強化するために、現代言語モデルと知識ベースとデータセットを組み合わせる方法を探ることである。
論文 参考訳（メタデータ） (2022-02-02T18:17:05Z)
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。