論文の概要: On Reasoning Behind Next Occupation Recommendation

• arxiv url: http://arxiv.org/abs/2604.21204v1
• Date: Thu, 23 Apr 2026 01:52:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.238453
• Title: On Reasoning Behind Next Occupation Recommendation
• Title（参考訳）: 次回業務勧告の背景にある推論について
• Authors: Shan Dong, Palakorn Achananuparp, Hieu Hien Mai, Lei Wang, Yao Lu, Ee-Peng Lim,
• Abstract要約: 我々は,将来の占領予測において,大規模言語モデル(LLM)の性能を高める新しい推論手法を開発した。 理由生成者は、まず、過去の教育とキャリア履歴を使用した利用者の「理由」を導出する。 その理由は、ユーザの好みを要約し、職業予測者の入力として利用され、ユーザの次の職業を推奨する。
• 参考スコア（独自算出の注目度）: 16.778762956022497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we develop a novel reasoning approach to enhance the performance of large language models (LLMs) in future occupation prediction. In this approach, a reason generator first derives a ``reason'' for a user using his/her past education and career history. The reason summarizes the user's preference and is used as the input of an occupation predictor to recommend the user's next occupation. This two-step occupation prediction approach is, however, non-trivial as LLMs are not aligned with career paths or the unobserved reasons behind each occupation decision. We therefore propose to fine-tune LLMs improving their reasoning and occupation prediction performance. We first derive high-quality oracle reasons, as measured by factuality, coherence and utility criteria, using a LLM-as-a-Judge. These oracle reasons are then used to fine-tune small LLMs to perform reason generation and next occupation prediction. Our extensive experiments show that: (a) our approach effectively enhances LLM's accuracy in next occupation prediction making them comparable to fully supervised methods and outperforming unsupervised methods; (b) a single LLM fine-tuned to perform reason generation and occupation prediction outperforms two LLMs fine-tuned to perform the tasks separately; and (c) the next occupation prediction accuracy depends on the quality of generated reasons. Our code is available at https://github.com/Sarasarahhhhh/job_prediction.
• Abstract（参考訳）: 本研究では,大規模言語モデル(LLM)の性能向上のための新たな推論手法を開発する。 このアプローチでは、理由生成器は、まず、過去の教育とキャリア履歴を使用したユーザに対して、'reason'を導出する。 その理由は、ユーザの好みを要約し、職業予測者の入力として利用され、ユーザの次の職業を推奨する。 しかし、この2段階の職業予測アプローチは、LSMがキャリアパスや、それぞれの職業決定の背後にある未観測の理由と一致していないため、簡単ではない。 そこで我々は, LLMを微調整し, 推論性能と職業予測性能を改善することを提案する。 まず, LLM-as-a-Judgeを用いて, 事実性, コヒーレンス, 実用性基準によって測定された高品質なオラクルの理由を導出する。 これらのオラクルの理由は、小さなLSMを微調整して、理性発生と次の職業予測を行うために使われる。 私たちの広範な実験は、こう示しています。 (a)本手法は,次回の職業予測においてLLMの精度を効果的に向上させ,完全に監督された手法に匹敵し,教師なし手法よりも優れる。 b) 理性発生及び職業予測を行うための単一LLMを微調整し、2つのLLMを微調整して個別にタスクを行う。 (c)次の職業予測精度は、発生した理由の質に依存する。 私たちのコードはhttps://github.com/Sarasarahhhhhhh/job_prediction.comで公開されています。

関連論文リスト

• Enhancing Rating Prediction with Off-the-Shelf LLMs Using In-Context User Reviews [16.394933051332657]
  等級評価予測は、言語と数学的推論の両方を効果的に解く必要がある回帰タスクである。 本研究では,市販LCMの性能を評価予測に用い,異なるコンテキスト情報を提供する。 ユーザによるレビューでは,LCMのレーティング予測性能が大幅に向上していることがわかった。
  論文  参考訳（メタデータ） (2025-10-01T03:04:20Z)
• Positional Biases Shift as Inputs Approach Context Window Limits [57.00239097102958]
  入力がモデルのコンテキストウィンドウの最大50%を占める場合、LiM効果は最強となる。 関係情報が入力の終端に近づくと,モデルの性能が向上する,距離に基づくバイアスが観測される。
  論文  参考訳（メタデータ） (2025-08-10T20:40:24Z)
• Bayesian Teaching Enables Probabilistic Reasoning in Large Language Models [54.38054999271322]
  我々は,大規模言語モデル (LLM) がベイジアンフレームワークから期待されているように,彼らの信念を更新しないことを示す。 我々は、標準ベイズモデルの予測を模倣するように訓練することで、ベイズ的方法による推論をLLMに教える。 より一般的には,LLMは実例から推論スキルを効果的に学習し,それらのスキルを新しいドメインに一般化できることを示す。
  論文  参考訳（メタデータ） (2025-03-21T20:13:04Z)
• Predicting Emergent Capabilities by Finetuning [98.9684114851891]
  微調整された言語モデルでは,出現頻度の低いモデルに展開するスケーリングのポイントをシフトできることがわかった。 提案手法は4つの標準NLPベンチマークを用いて検証する。 いくつかのケースでは、最大4倍の計算でトレーニングされたモデルが出現したかどうかを正確に予測できる。
  論文  参考訳（メタデータ） (2024-11-25T01:48:09Z)
• Large Language Models Can Self-Improve in Long-context Reasoning [100.52886241070907]
  大規模言語モデル(LLM)は、長いコンテキストの処理においてかなりの進歩を遂げているが、それでも長いコンテキストの推論に苦慮している。 我々はこの目的のために特別に設計されたアプローチである我々の提案する。 人類の専門家や 先進的なモデルによるデータに依存する 従来のアプローチと比べて 優れたパフォーマンスを達成しています
  論文  参考訳（メタデータ） (2024-11-12T19:53:00Z)
• LLMs are Not Just Next Token Predictors [0.0]
  LLMは、次のトークン予測目標を持つ勾配降下による言語学習の統計モデルである。 LLMは次のトークン予測を用いて設計され、このタスクの成功に基づいてトレーニングされていますが、次のトークン予測器への還元はLLMを短く販売する、というのが私たちの見解です。 これを引き出すため、遺伝子の観点から進化と発達を説明する生物学におけるかつての著名な研究プログラムと類似する。
  論文  参考訳（メタデータ） (2024-08-06T16:36:28Z)
• LABOR-LLM: Language-Based Occupational Representations with Large Language Models [8.909328013944567]
  CAREERは、キャリア履歴の関数として労働者の次の仕事を予測する。 本稿では,履歴書に基づく基礎モデルを大規模言語モデルに置き換える方法を検討する。
  論文  参考訳（メタデータ） (2024-06-25T23:07:18Z)
• Bayesian Statistical Modeling with Predictors from LLMs [5.5711773076846365]
  State of the Art Large Language Model (LLM)は、様々なベンチマークタスクで印象的なパフォーマンスを示している。 このことは、LLMから派生した情報の人間的類似性に関する疑問を提起する。
  論文  参考訳（メタデータ） (2024-06-13T11:33:30Z)
• The ART of LLM Refinement: Ask, Refine, and Trust [85.75059530612882]
  ART: Ask, Refine, and Trust と呼ばれる改良目標を用いた推論を提案する。 LLMがいつその出力を洗練すべきかを決めるために必要な質問を尋ねる。 自己補充ベースラインよりも+5ポイントの性能向上を達成する。
  論文  参考訳（メタデータ） (2023-11-14T07:26:32Z)
• Uncertainty Quantification with Pre-trained Language Models: A Large-Scale Empirical Analysis [120.9545643534454]
  パイプラインは校正誤差を最小限に抑えることが重要であり、特に安全クリティカルな応用において重要である。 パイプラインの背景には,(1)PLMの選択と(2)サイズ,(3)不確実性定量化器の選択,(4)微調整損失の選択など,さまざまな考察がある。 1) PLM符号化にELECTRAを使用し、(2) 可能であればより大きなPLMを使用し、(3) 不確実性定量化にTemp Scalingを使用し、(4) 微調整にFocal Lossを使用する。
  論文  参考訳（メタデータ） (2022-10-10T14:16:01Z)

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。