論文の概要: Enhancing Online Recruitment with Category-Aware MoE and LLM-based Data Augmentation

• arxiv url: http://arxiv.org/abs/2604.21264v1
• Date: Thu, 23 Apr 2026 04:17:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.297458
• Title: Enhancing Online Recruitment with Category-Aware MoE and LLM-based Data Augmentation
• Title（参考訳）: カテゴリー対応 MoE と LLM ベースのデータ拡張によるオンラインリクルートの強化
• Authors: Minping Chen, Bing Xu, Zulong Chen, Chuanfei Xu, Ying Zhou, Zui Tao, Zeyi Wen,
• Abstract要約: Person-Job Fit(PJF)は、オンライン採用にとって重要なコンポーネントである。 本稿では,2つの新しい手法を用いた大規模言語モデル(LLM)を提案する。
• 参考スコア（独自算出の注目度）: 30.115075614898092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Person-Job Fit (PJF) is a critical component for online recruitment. Existing approaches face several challenges, particularly in handling low-quality job descriptions and similar candidate-job pairs, which impair model performance. To address these challenges, this paper proposes a large language model (LLM) based method with two novel techniques: (1) LLM-based data augmentation, which polishes and rewrites low-quality job descriptions by leveraging chain-of-thought (COT) prompts, and (2) category-aware Mixture of Experts (MoE) that assists in identifying similar candidate-job pairs. This MoE module incorporates category embeddings to dynamically assign weights to the experts and learns more distinguishable patterns for similar candidate-job pairs. We perform offline evaluations and online A/B tests on our recruitment platform. Our method relatively surpasses existing methods by 2.40% in AUC and 7.46% in GAUC, and boosts click-through conversion rate (CTCVR) by 19.4% in online tests, saving millions of CNY in external headhunting expenses.
• Abstract（参考訳）: Person-Job Fit(PJF)は、オンライン採用にとって重要なコンポーネントである。 既存のアプローチは、特に低品質のジョブ記述や、モデルパフォーマンスを損なう類似の候補-ジョブペアを扱う際に、いくつかの課題に直面している。 これらの課題に対処するために,(1)LLMに基づく低品質なジョブ記述を洗練・書き直しを行うLLMベースの大規模言語モデル(LLM)と,(2)類似の候補-ジョブペアの同定を支援するMoEのカテゴリ認識混合手法を提案する。 このMoEモジュールにはカテゴリ埋め込みが組み込まれており、専門家に動的に重みを割り当て、類似の候補とジョブのペアに対してより区別可能なパターンを学ぶ。 採用プラットフォーム上でオフライン評価とオンラインA/Bテストを行います。 本手法は,AUCでは2.40%,GAUCでは7.46%,オンラインテストではクリックスルー変換率(CTCVR)は19.4%,外部ヘッドハンティング費用では数百万のCNYを節約する。

関連論文リスト

• Enhancing Talent Search Ranking with Role-Aware Expert Mixtures and LLM-based Fine-Grained Job Descriptions [27.733267584058023]
  タレント検索は現代の求人制度の基盤となっているが、既存のアプローチは、求職に特有な好奇心をつかむのに苦労することが多い。 本稿では,人材検索の有効性を高め,実質的なビジネス価値を提供する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-10-05T14:17:19Z)
• Improving E-commerce Search with Category-Aligned Retrieval [0.0]
  カテゴリー対応検索システム(CARS)は,まずユーザのクエリから製品カテゴリを予測し,そのカテゴリ内で製品を強化することによって,検索関連性を向上させる。 本稿では,クエリの埋め込みから"Trainable Category Prototypes"を作成する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-09-03T20:43:52Z)
• Towards High Data Efficiency in Reinforcement Learning with Verifiable Reward [54.708851958671794]
  オフラインとオンラインの両方のデータ選択のための最適化戦略を組み合わせた,データ効率のよいポリシ最適化パイプラインを提案する。 オフラインフェーズでは、多様性、影響、適切な難易度に基づいて、トレーニングサンプルの高品質なサブセットをキュレートする。 オンラインRLVRトレーニングにおいて、探索可能性の低いサンプルを動的にフィルタリングするサンプルレベルの探索性指標を導入する。
  論文  参考訳（メタデータ） (2025-09-01T10:04:20Z)
• SPARE: Single-Pass Annotation with Reference-Guided Evaluation for Automatic Process Supervision and Reward Modelling [58.05959902776133]
  私たちはSingle-Passを紹介します。 Reference-Guided Evaluation (SPARE)は、効率的なステップごとのアノテーションを可能にする新しい構造化フレームワークである。 数学的推論(GSM8K, MATH)、マルチホップ質問応答(MuSiQue-Ans)、空間推論(SpaRP)にまたがる4つの多様なデータセットにおけるSPAREの有効性を実証する。 ProcessBenchでは、SPAREがデータ効率のよいアウト・オブ・ディストリビューションの一般化を実証し、トレーニングサンプルの$sim$16%しか使用していない。
  論文  参考訳（メタデータ） (2025-06-18T14:37:59Z)
• Improve LLM-based Automatic Essay Scoring with Linguistic Features [46.41475844992872]
  本稿では,多様なプロンプトにまたがってエッセイを処理できるスコアリングシステムを開発した。 既存のメソッドは通常、2つのカテゴリに分類される: 教師付き特徴ベースのアプローチと、大きな言語モデル(LLM)ベースの方法。
  論文  参考訳（メタデータ） (2025-02-13T17:09:52Z)
• Empowering Large Language Models in Wireless Communication: A Novel Dataset and Fine-Tuning Framework [81.29965270493238]
  我々は,無線通信アプリケーションのための大規模言語モデル(LLM)の評価と微調整を目的とした,特殊なデータセットを開発した。 データセットには、真/偽と複数選択型を含む、さまざまなマルチホップ質問が含まれている。 本稿では,PVI(Pointwise V-Information)に基づく微調整手法を提案する。
  論文  参考訳（メタデータ） (2025-01-16T16:19:53Z)
• Star-Agents: Automatic Data Optimization with LLM Agents for Instruction Tuning [71.2981957820888]
  本稿では,データセット間のデータ品質向上を自動化する新しいStar-Agentsフレームワークを提案する。 このフレームワークは最初,複数のLDMエージェントを用いた多様なインストラクションデータを生成する。 生成したデータは、難易度と品質の両方を評価する二重モデル法を用いて厳密な評価を行う。
  論文  参考訳（メタデータ） (2024-11-21T02:30:53Z)
• Your Vision-Language Model Itself Is a Strong Filter: Towards High-Quality Instruction Tuning with Data Selection [59.11430077029321]
  視覚言語モデル(VLM)のための新しいデータセット選択手法であるSelf-Filterを導入する。 第1段階では、VLMと共同で学習する訓練指導の難しさを評価するためのスコアリングネットワークを考案する。 第2段階では、トレーニングされたスコアネットを使用して、各命令の難易度を測定し、最も難しいサンプルを選択し、類似したサンプルをペナルティ化し、多様性を促進する。
  論文  参考訳（メタデータ） (2024-02-19T20:08:48Z)
• Large Language Models are Effective Text Rankers with Pairwise Ranking Prompting [65.00288634420812]
  Pairwise Ranking Prompting (PRP)は、大規模言語モデル(LLM)の負担を大幅に軽減する手法である。 本研究は,中等級のオープンソースLCMを用いた標準ベンチマークにおいて,最先端のランク付け性能を達成した文献としては初めてである。
  論文  参考訳（メタデータ） (2023-06-30T11:32:25Z)

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。