論文の概要: A Best-of-Both Approach to Improve Match Predictions and Reciprocal Recommendations for Job Search

• arxiv url: http://arxiv.org/abs/2409.10992v2
• Date: Wed, 18 Sep 2024 04:08:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 15:26:47.222357
• Title: A Best-of-Both Approach to Improve Match Predictions and Reciprocal Recommendations for Job Search
• Title（参考訳）: 求人検索におけるマッチング予測と相互勧告の改善のためのベスト・オブ・ボトム・アプローチ
• Authors: Shuhei Goda, Yudai Hayashi, Yuta Saito,
• Abstract要約: 本稿では、擬似マッチスコアを利用して、生産における相互推薦を改善するための、新規で実用的なソリューションを紹介し、実証する。 具体的には、実際のマッチングラベルと比較的不正確だが密なマッチング予測を組み合わせることで、より密で直接的な擬似マッチスコアを生成する。 我々の手法は、直接マッチング予測と2つの異なるモデルアプローチの両方の高レベルなアイデアを組み合わせることで、ベスト・オブ・ボス(BoB)アプローチと見なすことができる。
• 参考スコア（独自算出の注目度）: 15.585641615174623
• License:
• Abstract: Matching users with mutual preferences is a critical aspect of services driven by reciprocal recommendations, such as job search. To produce recommendations in such scenarios, one can predict match probabilities and construct rankings based on these predictions. However, this direct match prediction approach often underperforms due to the extreme sparsity of match labels. Therefore, most existing methods predict preferences separately for each direction (e.g., job seeker to employer and employer to job seeker) and then aggregate the predictions to generate overall matching scores and produce recommendations. However, this typical approach often leads to practical issues, such as biased error propagation between the two models. This paper introduces and demonstrates a novel and practical solution to improve reciprocal recommendations in production by leveraging pseudo-match scores. Specifically, our approach generates dense and more directly relevant pseudo-match scores by combining the true match labels, which are accurate but sparse, with relatively inaccurate but dense match predictions. We then train a meta-model to output the final match predictions by minimizing the prediction loss against the pseudo-match scores. Our method can be seen as a best-of-both (BoB) approach, as it combines the high-level ideas of both direct match prediction and the two separate models approach. It also allows for user-specific weights to construct personalized pseudo-match scores, achieving even better matching performance through appropriate tuning of the weights. Offline experiments on real-world job search data demonstrate the superior performance of our BoB method, particularly with personalized pseudo-match scores, compared to existing approaches in terms of finding potential matches.
• Abstract（参考訳）: 相互に好みを持つユーザとのマッチングは、ジョブ検索などの相互レコメンデーションによって引き起こされるサービスの重要な側面である。 このようなシナリオでレコメンデーションを生成するために、マッチング確率を予測し、これらの予測に基づいてランキングを構築することができる。 しかし、この直接マッチング予測アプローチは、マッチラベルの極端に間隔があるため、しばしば性能が低下する。 したがって、既存のほとんどの方法は、それぞれの方向(例えば、求職者、求職者、求職者、求職者)の好みを別々に予測し、その予測を集約して、総合的なマッチングスコアを生成し、レコメンデーションを生成する。 しかし、この典型的なアプローチは、しばしば2つのモデル間の誤差の偏りのような実践的な問題を引き起こす。 本稿では, 擬似マッチスコアを活用することで, 生産における相互推薦を改善するための, 新規かつ実用的なソリューションを紹介し, 実証する。 具体的には, 精度は高く, 精度は低いが, 精度は低いが, 比較的不正確であり, 密接な一致予測と組み合わせることで, 密接で直接的に関連する擬似マッチスコアを生成する。 次に、メタモデルを用いて、擬似マッチスコアに対する予測損失を最小限に抑え、最終的な一致予測を出力する。 我々の手法は、直接マッチング予測と2つの異なるモデルアプローチの両方の高レベルなアイデアを組み合わせることで、ベスト・オブ・ボス(BoB)アプローチと見なすことができる。 また、ユーザ固有のウェイトがパーソナライズされた擬似マッチスコアを構築することができ、ウェイトを適切にチューニングすることで、より優れたマッチングパフォーマンスを実現することができる。 実世界の求人データに関するオフライン実験は,BoB法,特にパーソナライズされた擬似マッチスコアの優れた性能を示すものである。

関連論文リスト

• Optimizing accuracy and diversity: a multi-task approach to forecast combinations [0.0]
  両問題を同時に解くことに焦点を当てたマルチタスク最適化パラダイムを提案する。 標準的な機能ベースの予測アプローチに、さらなる学習と最適化のタスクが組み込まれている。 提案手法は,特徴に基づく予測において,多様性の本質的な役割を引き出すものである。
  論文  参考訳（メタデータ） (2023-10-31T15:26:33Z)
• Unbalanced Optimal Transport: A Unified Framework for Object Detection [97.74382560746987]
  不均衡最適輸送がオブジェクト検出に対する異なるアプローチをどのように統合するかを示す。 非平衡最適輸送を用いた物体検出モデルの訓練が最先端に到達可能であることを示す。 このアプローチはGPUの実装に適しており、大規模なモデルに有利であることが証明されている。
  論文  参考訳（メタデータ） (2023-07-05T16:21:52Z)
• Predicting Football Match Outcomes with eXplainable Machine Learning and the Kelly Index [0.0]
  フットボールの試合の結果を予測するための機械学習アプローチが開発されている。 このデータセットは、2019-2021シーズンをカバーするプレミアリーグの試合データに由来する。 また、本書の確率をベンチマークすることで、その効果を評価するための投資戦略も考案した。
  論文  参考訳（メタデータ） (2022-11-28T19:32:58Z)
• Practical Adversarial Multivalid Conformal Prediction [27.179891682629183]
  逐次予測のための一般的な共形予測法を提案する。 相手が選択したデータに対して、ターゲットの実証的カバレッジを保証する。 これは計算的に軽量であり、分割共形予測に匹敵する。
  論文  参考訳（メタデータ） (2022-06-02T14:33:00Z)
• Deep Probabilistic Graph Matching [72.6690550634166]
  本稿では,マッチング制約を伴わずに,元のQAPに適合する深層学習ベースのグラフマッチングフレームワークを提案する。 提案手法は,一般的な3つのベンチマーク(Pascal VOC,Wilow Object,SPair-71k)で評価され,すべてのベンチマークにおいて過去の最先端よりも優れていた。
  論文  参考訳（メタデータ） (2022-01-05T13:37:27Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)
• Necessarily Optimal One-Sided Matchings [49.0517583218216]
  我々は、$n$エージェントと$n$オブジェクトとをマッチングする古典的な問題について研究する。 エージェントに完全な選好を報告させる代わりに、私たちのゴールは部分的な選好から望ましいマッチングを学ぶことです。 我々は,与えられたマッチングが NPO か NRM かを確認し,そのようなマッチングが与えられたトップ$k$ の部分的選好が存在するかどうかを確認するために,効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-07-17T16:01:34Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。