論文の概要: Career-Aware Resume Tailoring via Multi-Source Retrieval-Augmented Generation with Provenance Tracking: A Case Study
- arxiv url: http://arxiv.org/abs/2605.05257v1
- Date: Wed, 06 May 2026 04:22:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.320128
- Title: Career-Aware Resume Tailoring via Multi-Source Retrieval-Augmented Generation with Provenance Tracking: A Case Study
- Title（参考訳）: Provenance Tracking を併用した多ソース検索世代によるキャリア・アウェア・resume Tailoring の1例
- Abstract要約: Resume Tailorは、ベクターデータベースにおいて、縦長のキャリアVaultを維持するエージェント履歴調整システムである。
システムは、履歴書や構造化された経歴記録から、ジョブ固有の履歴書コンテンツを組み立てる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI-assisted resume tailoring systems commonly operate on a single uploaded resume, which limits their ability to recover relevant experience omitted from the current draft and makes it difficult for users to distinguish grounded edits from model-generated suggestions. This paper presents Resume Tailor, an agentic resume-tailoring system that maintains a longitudinal career vault in a vector database and uses multi-source retrieval-augmented generation (RAG) to assemble job-specific resume content from historical resumes and structured career records. The system is implemented as a 12-node LangGraph pipeline with typed state management, hybrid semantic-lexical confidence scoring, provenance-aware fallback generation, anti-hallucination guardrails, and a conditional review loop. We report a pilot evaluation on nine job descriptions (JDs) across software engineering, data analytics, and business analysis roles using a single candidate's career history. For six JDs where the candidate held at least one prior role in the same occupational category, enabling the career vault improved Applicant Tracking System (ATS)-style fit scores by an average of 7.8 points. For two JDs requiring domain-specific expertise absent from the vault, scores decreased by an average of 8.0 points. One partially overlapping role showed a modest gain of 2 points. These results suggest that longitudinal retrieval can improve resume tailoring when relevant prior experience exists, while also highlighting the need for confidence-gated retrieval when domain overlap is weak.
- Abstract（参考訳）: AI支援の履歴書調整システムは、単一のアップロードされた履歴書で一般的に運用されるため、現在のドラフトから省略された関連するエクスペリエンスを回復する能力が制限され、モデル生成の提案と接地編集を区別することが難しくなる。
本稿では,ベクタデータベースにおける長手キャリアVaultを維持し,複数ソース検索Augmented Generation(RAG)を用いて,履歴履歴や構造化経歴記録からジョブ固有の履歴コンテンツを収集するエージェントシステムであるResume Tailorを提案する。
システムは12ノードのLangGraphパイプラインとして実装されており、型付き状態管理、ハイブリッドセマンティック-レキシカル信頼スコア、プロファイランス対応のフォールバック生成、アンチハロシン化ガードレール、条件付きレビューループを備えている。
本稿では,9つのジョブ記述(JD)について,ソフトウェア工学,データ分析,ビジネス分析の役割について,ひとつの候補者のキャリア履歴を用いてパイロット評価を行った。
6つのJDでは、候補者が同じ職業カテゴリーで少なくとも1つの前任職を担い、キャリアの金庫が平均7.8ポイントのアプライカント・トラッキング・システム(ATS)スタイルのフィッティング・スコアを改善した。
ドメイン固有の専門知識を必要とする2つのJDでは、スコアは平均8.0ポイント低下した。
一部重複した役割は2ポイントの微妙な上昇を示した。
以上の結果から,ドメインオーバーラップが弱い場合の信頼度の高い検索の必要性を強調しつつ,関連する事前経験が存在する場合の履歴調整を改善することが可能であることが示唆された。
関連論文リスト
- WeAgent-MMSearch: Native Text-Vision Interaction for Multimodal Search Agents [53.426679066400844]
WeAgent-Harnessは、ネイティブテキストビジョンインタラクションと実行時リカバリをサポートするマルチモーダルエージェントハーネスである。
WeAgent-MMSearchは,データ構築,エージェントポストトレーニング,マルチモーダルロールアウトにまたがる統合システムである。
また、150タスクの人間認証ベンチマークであるVisTarget-Benchを紹介します。
論文 参考訳（メタデータ） (2026-08-28T08:28:43Z) - Beyond Retrieval: Query-Conditioned Reuse of Long-Horizon Agent Trajectories [16.13133177152883]
Retrievalは、重要かもしれない過去の軌跡を特定することができるが、ユーザー、エンティティ、制約、環境状態が変わった後、エージェントがその軌跡をどのように使うべきかは明記していない。
我々は,この再検索後の再利用ステップを,長期記憶のボトルネックとして認識する。
クエリ条件の再利用(QCR)によってフレームワークをインスタンス化する。
論文 参考訳（メタデータ） (2026-08-13T05:39:49Z) - STEP: Career-Path Recommendation via Temporal and Educational Trajectory Modeling [44.09276843323847]
キャリアパスレコメンデーションシステムSTEPについて紹介する。
時間的および教育的な信号を使って、キャリアの軌道における次の仕事を予測する。
次のジョブ予測では、最先端のベースラインよりも優れています。
論文 参考訳（メタデータ） (2026-07-13T15:48:01Z) - FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。
レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。
我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
論文 参考訳（メタデータ） (2026-04-14T17:04:25Z) - AI-Driven Decision-Making System for Hiring Process [0.0]
本稿では,AIによるモジュール型マルチエージェント採用アシスタントを提案する。
i)文書とビデオ前処理、(ii)構造化された候補プロファイルの構築、(iii)公開データ検証、(iv)明示的なリスクペナルティによる技術的/文化的な評価、(v)対話型インターフェースによる人文間検証を統合している。
論文 参考訳（メタデータ） (2025-12-17T18:45:17Z) - AI Hiring with LLMs: A Context-Aware and Explainable Multi-Agent Framework for Resume Screening [12.845918958645676]
大規模言語モデル(LLM)を用いたスクリーニング再開のためのマルチエージェントフレームワークを提案する。
フレームワークは、履歴抽出器、評価器、要約器、スコアフォーマッターを含む4つのコアエージェントから構成される。
この動的適応は、パーソナライズされた採用を可能にし、AI自動化と人材獲得のギャップを埋める。
論文 参考訳（メタデータ） (2025-04-01T12:56:39Z) - Is Reference Necessary in the Evaluation of NLG Systems? When and Where? [58.52957222172377]
基準自由度は人間の判断と高い相関を示し,言語品質の低下に対する感度が高いことを示す。
本研究は,自動測定の適切な適用方法と,測定値の選択が評価性能に与える影響について考察する。
論文 参考訳（メタデータ） (2024-03-21T10:31:11Z) - List-aware Reranking-Truncation Joint Model for Search and
Retrieval-augmented Generation [80.12531449946655]
本稿では,2つのタスクを同時に実行可能なRe rank-Truncation joint model(GenRT)を提案する。
GenRTは、エンコーダ-デコーダアーキテクチャに基づく生成パラダイムによるリランクとトランケーションを統合している。
提案手法は,Web検索および検索拡張LLMにおけるリランクタスクとトラルケーションタスクの両方においてSOTA性能を実現する。
論文 参考訳（メタデータ） (2024-02-05T06:52:53Z) - Distilling Large Language Models using Skill-Occupation Graph Context
for HR-Related Tasks [8.235367170516769]
幅広いHRタスクに対応するためにResume-Job Description Benchmark (RJDB)を導入する。
私たちのベンチマークには、ジョブ記述、マッチした履歴書、未一致の履歴書が5万件以上含まれています。
実験の結果,学生モデルは教師モデル(GPT-4)よりも近・近性能が得られ,ベンチマークの有効性が確認された。
論文 参考訳（メタデータ） (2023-11-10T20:25:42Z) - Questions Are All You Need to Train a Dense Passage Retriever [123.13872383489172]
ARTは、ラベル付きトレーニングデータを必要としない高密度検索モデルをトレーニングするための、新しいコーパスレベルのオートエンコーディングアプローチである。
そこで,(1) 入力質問を用いて証拠文書の集合を検索し,(2) 文書を用いて元の質問を再構築する確率を計算する。
論文 参考訳（メタデータ） (2022-06-21T18:16:31Z) - Toward a traceable, explainable, and fairJD/Resume recommendation system [10.820022470618234]
自動採用システムの開発は今でも大きな課題の1つだ。
我々の目的は、JD/Resumeマッチングプロセスを強化するために、現代言語モデルと知識ベースとデータセットを組み合わせる方法を探ることである。
論文 参考訳（メタデータ） (2022-02-02T18:17:05Z) - Job2Vec: Job Title Benchmarking with Collective Multi-View
Representation Learning [51.34011135329063]
Job Title Benchmarking (JTB) は、様々な企業で同様の専門知識を持つ職種をマッチングすることを目的としている。
従来のJTBのアプローチは主に手作業による市場調査に依存しており、それは高価で労働集約的である。
我々はJTBをジョブ-グラフ上のリンク予測のタスクとして再編成し、ジョブタイトルにマッチするリンクはリンクを持つべきである。
論文 参考訳（メタデータ） (2020-09-16T02:33:32Z)
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。