論文の概要: DISCO: A Hierarchical Disentangled Cognitive Diagnosis Framework for Interpretable Job Recommendation

• arxiv url: http://arxiv.org/abs/2410.07671v2
• Date: Tue, 15 Oct 2024 15:29:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 15:36:27.080718
• Title: DISCO: A Hierarchical Disentangled Cognitive Diagnosis Framework for Interpretable Job Recommendation
• Title（参考訳）: 階層型不整形認知診断フレームワークdisCO
• Authors: Xiaoshan Yu, Chuan Qin, Qi Zhang, Chen Zhu, Haiping Ma, Xingyi Zhang, Hengshu Zhu,
• Abstract要約: オンライン採用プラットフォームの急速な発展は、求職者にとって前例のない機会を生み出している。 求職者の検索負担を大幅に軽減した求人推薦システム。 採用勧告の説明可能性に関する研究は、いまだに明らかにされていない。
• 参考スコア（独自算出の注目度）: 36.83681330970353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid development of online recruitment platforms has created unprecedented opportunities for job seekers while concurrently posing the significant challenge of quickly and accurately pinpointing positions that align with their skills and preferences. Job recommendation systems have significantly alleviated the extensive search burden for job seekers by optimizing user engagement metrics, such as clicks and applications, thus achieving notable success. In recent years, a substantial amount of research has been devoted to developing effective job recommendation models, primarily focusing on text-matching based and behavior modeling based methods. While these approaches have realized impressive outcomes, it is imperative to note that research on the explainability of recruitment recommendations remains profoundly unexplored. To this end, in this paper, we propose DISCO, a hierarchical Disentanglement based Cognitive diagnosis framework, aimed at flexibly accommodating the underlying representation learning model for effective and interpretable job recommendations. Specifically, we first design a hierarchical representation disentangling module to explicitly mine the hierarchical skill-related factors implied in hidden representations of job seekers and jobs. Subsequently, we propose level-aware association modeling to enhance information communication and robust representation learning both inter- and intra-level, which consists of the interlevel knowledge influence module and the level-wise contrastive learning. Finally, we devise an interaction diagnosis module incorporating a neural diagnosis function for effectively modeling the multi-level recruitment interaction process between job seekers and jobs, which introduces the cognitive measurement theory.
• Abstract（参考訳）: オンライン採用プラットフォームの急速な発展は、求職者にとって前例のない機会を生み出しつつ、彼らのスキルや好みに合わせて、迅速かつ正確に位置を特定できるという重要な課題を同時に提起している。 ジョブレコメンデーションシステムは、クリックやアプリケーションなどのユーザエンゲージメントの指標を最適化することで、求職者の検索負担を大幅に軽減し、顕著な成功を収めている。 近年,テキストマッチングと行動モデリングに基づく手法を中心に,効果的な求人モデルの開発に多大な研究が注がれている。 これらのアプローチは印象的な成果を上げたが、採用勧告の説明可能性に関する研究はいまだに明らかにされていない点に注意が必要である。 そこで本稿では,階層型ディスタングルに基づく認知診断フレームワークであるdisCOを提案し,その基盤となる表現学習モデルを柔軟に調整し,効果的かつ解釈可能なジョブレコメンデーションを提案する。 具体的には、まず、求職者や求職者の隠された表現に暗示される階層的スキル関連要因を明示的にマイニングするために、階層的表現分離モジュールを設計する。 次に、情報通信と、レベル間の知識影響モジュールとレベルワイドのコントラスト学習からなる、階層間および階層内両方の堅牢な表現学習を強化するためのレベルアウェア・アソシエーション・モデリングを提案する。 最後に,求職者と求職者間の多段階採用インタラクションプロセスを効果的にモデル化する神経診断機能を備えたインタラクション診断モジュールを提案し,認知計測理論を導入する。

関連論文リスト

• Unlocking Structured Thinking in Language Models with Cognitive Prompting [0.0]
  本研究では,大規模言語モデルにおける問題解決を導く新しい手法として認知的プロンプトを提案する。 メタのLLaMAモデルにおいて認知的プロンプトの有効性を評価する。
  論文  参考訳（メタデータ） (2024-10-03T19:53:47Z)
• Synthesizing Evolving Symbolic Representations for Autonomous Systems [2.4233709516962785]
  本稿では,その経験をスクラッチからPDDL表現に合成し,時間とともに更新できるオープンエンド学習システムを提案する。 a)選択肢を発見する、(b)選択肢を使って環境を探索する、(c)収集した知識を抽象化する、(d)計画。
  論文  参考訳（メタデータ） (2024-09-18T07:23:26Z)
• Hierarchical Reinforcement Learning for Temporal Abstraction of Listwise Recommendation [51.06031200728449]
  我々はmccHRLと呼ばれる新しいフレームワークを提案し、リストワイドレコメンデーションにおける時間的抽象化のレベルを異なるものにする。 階層的な枠組みの中では、ハイレベルエージェントがユーザ知覚の進化を研究し、低レベルエージェントがアイテム選択ポリシーを作成している。 その結果,本手法による性能改善は,いくつかのよく知られたベースラインと比較して有意な結果が得られた。
  論文  参考訳（メタデータ） (2024-09-11T17:01:06Z)
• Efficient Adaptation in Mixed-Motive Environments via Hierarchical Opponent Modeling and Planning [51.52387511006586]
  本稿では,HOP(Hierarchical Opponent Modeling and Planning)を提案する。 HOPは階層的に2つのモジュールから構成される: 相手の目標を推論し、対応する目標条件のポリシーを学ぶ、反対モデリングモジュール。 HOPは、さまざまな未確認エージェントと相互作用する際、優れた少数ショット適応能力を示し、セルフプレイのシナリオで優れている。
  論文  参考訳（メタデータ） (2024-06-12T08:48:06Z)
• 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)
• Reframing the Relationship in Out-of-Distribution Detection [4.182518087792777]
  本稿では,エージェントパラダイムをアウト・オブ・ディストリビューション(OOD)検出タスクに統合する新しいアプローチを提案する。 提案手法であるConcept Matching with Agent (CMA) は、CLIPに基づくOOD検出プロセスを強化するために、中性プロンプトをエージェントとして利用する。 実験結果から, ゼロショット法とトレーニング要求法の両方よりもCMAの方が優れた性能を示した。
  論文  参考訳（メタデータ） (2024-05-27T02:27:28Z)
• Improving Agent Interactions in Virtual Environments with Language Models [0.9790236766474201]
  本研究は、Minecraftデータセットにおける集合的なビルディング割り当てに焦点を当てる。 我々は,最先端手法によるタスク理解を強化するために,言語モデリングを採用している。
  論文  参考訳（メタデータ） (2024-02-08T06:34:11Z)
• 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)
• Enhancing Dialogue Generation via Multi-Level Contrastive Learning [57.005432249952406]
  質問に対する応答のきめ細かい品質をモデル化するマルチレベルコントラスト学習パラダイムを提案する。 Rank-aware (RC) ネットワークはマルチレベルコントラスト最適化の目的を構築するために設計されている。 本研究では,知識推論(KI)コンポーネントを構築し,学習中の参照からキーワードの知識を抽出し,そのような情報を活用して情報的単語の生成を促す。
  論文  参考訳（メタデータ） (2020-09-19T02:41:04Z)

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。