論文の概要: Unified Semantic Modeling Framework for Large-Scale Job Understanding at LinkedIn
- arxiv url: http://arxiv.org/abs/2607.24783v1
- Date: Mon, 22 Jun 2026 07:42:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-02 22:55:39.063368
- Title: Unified Semantic Modeling Framework for Large-Scale Job Understanding at LinkedIn
- Title（参考訳）: LinkedInにおける大規模ジョブ理解のための統一意味モデリングフレームワーク
- Abstract要約: 人材と機会を結びつけるLinkedInのミッションには、仕事の理解が不可欠だ。
本稿では,小言語モデル(SLM)を利用した統合意味モデリングフレームワークを提案し,課題に対処する。
我々の研究は、産業規模のテキスト理解システムを構築するための実践的な洞察を提供する。
- 参考スコア（独自算出の注目度）: 14.073644871405582
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Job understanding is critical to LinkedIn's mission of connecting talent with opportunity. This task involves transforming unstructured and noisy job postings into standardized or derived job attributes that power numerous LinkedIn products. However, building a scalable, cost-efficient, and high-performing job understanding system remains challenging. In this paper, we present a unified semantic modeling framework powered by a small language model (SLM) to address the challenges. We begin by fine-tuning an open-source SLM using a suite of carefully curated synthetic tasks augmented with reasoning traces. These tasks jointly target taxonomy-guided classification and taxonomy-agnostic entity extraction. This allows the resulting model to acquire robust zero-shot generalization for job understanding in structured and unstructured contexts. Building upon this foundation, we introduce a multi-adapter architecture with attribute grouping to facilitate efficient task-specific adaptation while streamlining model management across diverse downstream attributes. Offline evaluations and online A/B tests demonstrate significant performance improvement while reducing operational complexity. Our work provides practical insights into building industry-scale text understanding systems.
- Abstract（参考訳）: LinkedInの才能と機会を結びつけるというミッションには、仕事の理解が不可欠です。
このタスクでは、構造化されていない、ノイズの多いジョブポストを、多数のLinkedIn製品を動かす標準化された、あるいは派生されたジョブ属性に変換する。
しかし、スケーラブルで費用効率が高く、高いパフォーマンスのジョブ理解システムを構築することは依然として困難である。
本稿では,小言語モデル(SLM)を利用した統合意味モデリングフレームワークを提案する。
まず、推論トレースを付加した精巧にキュレートされた合成タスクスイートを用いて、オープンソースのSLMを微調整することから始める。
これらのタスクは、分類誘導分類と分類認識実体抽出を共同で行う。
これにより、結果として得られるモデルは、構造化されたコンテキストと非構造化されたコンテキストにおけるジョブ理解のための堅牢なゼロショット一般化を得ることができる。
この基盤を基盤として,多様な下流属性間のモデル管理を合理化しながら,効率的なタスク固有の適応を容易にする属性グループ化を備えたマルチアダプタアーキテクチャを導入する。
オフライン評価とオンラインA/Bテストは、運用上の複雑さを低減しつつ、大幅なパフォーマンス向上を示している。
我々の研究は、産業規模のテキスト理解システムを構築するための実践的な洞察を提供する。
関連論文リスト
- Toward Effective and Reliable LLM Agents via Dynamic Ontology [21.48160246568531]
大規模モデル言語(LLM)エージェントは、モデルパラメータにエンコードされた知識や、構造化されていないコンテキストとして提示された知識に大きく依存する。
これはしばしば不完全な証拠の使用と脆い多段階決定をもたらす。
オントロジーは、ドメインの概念と関係を機械解釈可能な構造として外部化する方法を提供する。
本稿では,タスク指向LLMエージェントを動的に構築・洗練するオントロジー・アズ・ア・カーネルフレームワークであるOaKを紹介する。
論文 参考訳（メタデータ） (2026-08-24T08:33:42Z) - Knowledge-Centric Agents for Workflow Generation [73.4340391112949]
複数の抽象化レベルにわたる知識を逆転させ、注入し、推論することを学ぶ知識中心のフレームワークを提案する。
提案手法は,ノードの多様性,コヒーレントな構造,既存システムよりも高い実行成功率で生成する。
論文 参考訳（メタデータ） (2026-07-17T11:03:01Z) - A Unified Structured Query Understanding Framework for Industrial Semantic Search [9.913119853395205]
大規模産業検索システムにおけるクエリ理解は、通常、異なるタスク固有のコンポーネントのカスケードとして実装される。
本研究では,これらの不均一な関数を単一小言語モデルに統合する統合型クエリ理解システムを提案し,展開する。
LinkedInのジョブ検索システム内で、大規模なオフラインおよびオンラインテストを通じてこのアプローチを検証する。
論文 参考訳（メタデータ） (2026-05-22T19:35:15Z) - OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。
現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。
自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
論文 参考訳（メタデータ） (2026-01-19T12:23:44Z) - Consistency-Aware Editing for Entity-level Unlearning in Language Models [53.522931419965424]
本稿では,エンティティレベルのアンラーニングのための新しい一貫性対応編集(CAE)フレームワークを提案する。
CAEは、その属性、関係、および敵のパラフレーズを含む、ターゲットエンティティに関連する多様なプロンプトの集合を集約する。
次に、一貫性レギュレータによってガイドされる低ランクの更新を共同で学習し、プロンプトをまたいだ編集方向を調整する。
論文 参考訳（メタデータ） (2025-12-19T15:18:07Z) - OmniStruct: Universal Text-to-Structure Generation across Diverse Schemas [57.49565459553627]
OmniStructは、テキストから構造までのタスクにおいて、大規模言語モデルの能力を評価するためのベンチマークである。
我々は,効率的なテキスト・ツー・ストラクチャ・モデルの開発を容易にするために,合成タスク生成による高品質なトレーニングデータを収集する。
本実験は, 合成データのより小さなモデルから, 普遍構造生成モデルへの微調整の可能性を示すものである。
論文 参考訳（メタデータ） (2025-11-23T08:18:12Z) - CoT Referring: Improving Referring Expression Tasks with Grounded Reasoning [67.18702329644526]
CoT Referringは、構造化されたチェーン・オブ・シークレット・トレーニングデータ構造を通じて、モデル推論をモダリティにわたって強化する。
トレーニングデータを再構築して、新たな出力フォームを実行し、既存のデータセットに新たなアノテーションを提供します。
また、検出とセグメント化機能を統合MLLMフレームワークに統合し、新しい適応重み付き損失で学習して性能を最適化する。
論文 参考訳（メタデータ） (2025-10-03T08:50:21Z) - Powering Job Search at Scale: LLM-Enhanced Query Understanding in Job Matching Systems [10.9341814749217]
LLM(Large Language Model)を利用した統合クエリ理解フレームワークを提案する。
提案手法は,ユーザクエリとプロファイル属性などのコンテキスト信号とを共同でモデル化し,構造化された解釈を生成する。
このフレームワークは、オンラインA/Bテストにおける関連品質を改善し、システムの複雑さを著しく低減する。
論文 参考訳（メタデータ） (2025-08-19T21:35:43Z) - A representational framework for learning and encoding structurally enriched trajectories in complex agent environments [1.1470070927586018]
人工知能エージェントが最適な決定を行い、それらを異なるドメインやタスクに一般化する能力は、複雑なシナリオで妥協される。
この問題に対処する方法の1つは、世界の効率的な表現を学習することと、エージェントのアクションが状態-行動遷移においてそれらにどのように影響するかに焦点を当てている。
本稿では,エージェントのオントロジーを強化し,従来のトラジェクトリ概念を拡張し,タスク実行のより微妙な視点を提供することを提案する。
論文 参考訳（メタデータ） (2025-03-17T14:04:27Z) - Learning Task Representations from In-Context Learning [67.66042137487287]
大規模言語モデル(LLM)は、文脈内学習(ICL)において顕著な習熟性を示した。
ICLプロンプトにおけるタスク情報をアテンションヘッドの関数として符号化するための自動定式化を導入する。
提案手法は,テキスト中の実演からタスク固有の情報を抽出し,テキストと回帰タスクの両方で優れる。
論文 参考訳（メタデータ） (2025-02-08T00:16:44Z) - Knowledge prompt chaining for semantic modeling [0.0]
本稿では,新しいセマンティック・モデリング・フレームワーク,ナレッジ・プロンプト・チェインを提案する。
グラフ構造化された知識をシリアライズし、LSMに適切に注入することができる。
実験結果に基づいて,本手法は既存の先行技術よりも優れた性能を実現する。
論文 参考訳（メタデータ） (2025-01-15T03:00:57Z)
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。