論文の概要: Towards Position-Robust Talent Recommendation via Large Language Models

• arxiv url: http://arxiv.org/abs/2604.02200v1
• Date: Thu, 02 Apr 2026 15:54:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.903439
• Title: Towards Position-Robust Talent Recommendation via Large Language Models
• Title（参考訳）: 大規模言語モデルによる位置ロバストなタレントレコメンデーションに向けて
• Authors: Silin Du, Hongyan Liu,
• Abstract要約: 大規模言語モデル(LLM)を用いたリストワイズ人材推薦のための新しいフレームワークであるL3TRを提案する。 本稿では,文書間処理を強化し,位置バイアスと同時トークンバイアスを緩和するブロックアテンション機構と局所位置符号化手法を提案する。 2つの実世界のデータセットの実験により、L3TRの有効性が検証され、既存のベースラインよりも一貫した改善が示された。
• 参考スコア（独自算出の注目度）: 2.145037859243627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Talent recruitment is a critical, yet costly process for many industries, with high recruitment costs and long hiring cycles. Existing talent recommendation systems increasingly adopt large language models (LLMs) due to their remarkable language understanding capabilities. However, most prior approaches follow a pointwise paradigm, which requires LLMs to repeatedly process some text and fails to capture the relationships among candidates in the list, resulting in higher token consumption and suboptimal recommendations. Besides, LLMs exhibit position bias and the lost-in-the-middle issue when answering multiple-choice questions and processing multiple long documents. To address these issues, we introduce an implicit strategy to utilize LLM's potential output for the recommendation task and propose L3TR, a novel framework for listwise talent recommendation with LLMs. In this framework, we propose a block attention mechanism and a local positional encoding method to enhance inter-document processing and mitigate the position bias and concurrent token bias issue. We also introduce an ID sampling method for resolving the inconsistency between candidate set sizes in the training phase and the inference phase. We design evaluation methods to detect position bias and token bias and training-free debiasing methods. Extensive experiments on two real-world datasets validated the effectiveness of L3TR, showing consistent improvements over existing baselines.
• Abstract（参考訳）: タレント採用は、多くの業界にとって重要な、しかしコストのかかるプロセスであり、高い採用コストと長い雇用サイクルがある。 既存のタレントレコメンデーションシステムは、その顕著な言語理解能力のために、大きな言語モデル(LLM)を採用する傾向にある。 しかしながら、ほとんどの先行するアプローチはポイントワイズパラダイムに従っており、LCMはいくつかのテキストを繰り返し処理し、リスト内の候補間の関係を捉えず、より高いトークン消費と準最適レコメンデーションをもたらす。 さらに、LLMは複数の質問に答え、複数の長い文書を処理する際に、位置バイアスと中間者問題を示す。 これらの課題に対処するために、LLMの潜在的な出力を推薦タスクに活用するための暗黙の戦略を導入し、LLMによるリストワイド人材推薦のための新しいフレームワークであるL3TRを提案する。 本稿では,文書間処理を強化し,位置バイアスと同時トークンバイアスを緩和するブロックアテンション機構と局所位置符号化手法を提案する。 また、トレーニングフェーズにおける候補セットサイズと推論フェーズとの整合性を解決するためのIDサンプリング手法を提案する。 位置バイアスとトークンバイアスを検知する評価法とトレーニング不要なデバイアス法を設計する。 2つの実世界のデータセットに対する大規模な実験により、L3TRの有効性が検証され、既存のベースラインよりも一貫した改善が示された。

関連論文リスト

• Is Your LLM-as-a-Recommender Agent Trustable? LLMs' Recommendation is Easily Hacked by Biases (Preferences) [28.6608041553667]
  textbfBias textbfRecommendation textbfBenchmarkを導入し、高価値な実世界のタスクにおけるバイアスに対するそのようなエージェントの致命的な脆弱性を明らかにする。 このベンチマークには、ペーパーレビュー、eコマース、求職の3つの実践的領域が含まれている。
  論文  参考訳（メタデータ） (2026-03-18T06:50:48Z)
• Evaluating Position Bias in Large Language Model Recommendations [3.430780143519032]
  大規模言語モデル(LLM)は、リコメンデーションタスクのための汎用ツールとして、ますます研究されている。 LLMをベースとした推薦モデルは位置バイアスに悩まされ、その場合、プロンプト内の候補項目の順序がLLMの推薦に不均等に影響を及ぼす可能性がある。 本稿では,LLMレコメンデーションモデルにおける位置バイアスを軽減するための新たなプロンプト戦略であるRightingをIterative Selection経由で導入する。
  論文  参考訳（メタデータ） (2025-08-04T03:30:26Z)
• QPO: Query-dependent Prompt Optimization via Multi-Loop Offline Reinforcement Learning [58.767866109043055]
  クエリ依存型プロンプト最適化(QPO)を導入し、入力クエリに合わせて最適なプロンプトを生成するために、小さな事前訓練された言語モデルを反復的に微調整する。 我々は、オープンソースのタスクに様々なプロンプトをベンチマークする副産物として、すでに大量に存在するオフラインのプロンプトデータから洞察を得る。 様々なLLMスケールと多様なNLPおよび数学タスクの実験は、ゼロショットと少数ショットの両方のシナリオにおいて、我々の手法の有効性とコスト効率を実証している。
  論文  参考訳（メタデータ） (2024-08-20T03:06:48Z)
• On Speeding Up Language Model Evaluation [48.51924035873411]
  我々はこの空間を探索するために$textitadaptive$アプローチを提案する。 我々は、マルチアームの包帯に頼り、次の(メソッド、バリデーションサンプル)ペアを順次識別して評価する。 典型的資源の5～15%のみを用いて,トップパフォーマンスの手法を同定できることを示す。
  論文  参考訳（メタデータ） (2024-07-08T17:48:42Z)
• Aligning Language Models with Demonstrated Feedback [58.834937450242975]
  Demonstration ITerated Task Optimization (DITTO)は、言語モデルの出力とユーザの実証された振る舞いを直接調整する。 我々は,DITTOがニュース記事やメール,ブログ記事などのドメイン間できめ細かいスタイルやタスクアライメントを学習する能力を評価する。
  論文  参考訳（メタデータ） (2024-06-02T23:13:56Z)
• Found in the Middle: How Language Models Use Long Contexts Better via Plug-and-Play Positional Encoding [78.36702055076456]
  本稿では,マルチスケール位置決めについて紹介する。 (Ms-PoE)は、シンプルで効果的なプラグアンドプレイ方式で、キャパシティを向上させる。 LLMはコンテキストの中央に位置する関連情報を扱う。
  論文  参考訳（メタデータ） (2024-03-05T04:58:37Z)
• Sample Efficient Preference Alignment in LLMs via Active Exploration [63.84454768573154]
  良い政策を最も効率的に特定するために、人間のフィードバックを得るコンテキストをしばしば選択できるという事実を活用します。 本稿では,データを効率的に選択する能動的探索アルゴリズムを提案する。 提案手法は,複数の言語モデルと4つの実世界のデータセットに対する人間の嗜好の限られたサンプルを用いて,ベースラインよりも優れる。
  論文  参考訳（メタデータ） (2023-12-01T00:54:02Z)
• 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)

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。