論文の概要: Semantic Candidate-Job Matching: A Comparative Evaluation of Dense Embedding Models in Hybrid Retrieval
- arxiv url: http://arxiv.org/abs/2609.23307v1
- Date: Sun, 20 Sep 2026 02:50:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:03.92874
- Title: Semantic Candidate-Job Matching: A Comparative Evaluation of Dense Embedding Models in Hybrid Retrieval
- Title（参考訳）: Semantic Candidate-Job Matching:ハイブリッド検索におけるDense Embedding Modelの比較評価
- Abstract要約: 本稿では,高ボリュームスタッフリングにおけるセマンティックな候補-ジョブマッチングのための密着型埋め込みモデルの比較評価を行う。
MNRL (Cached Multiple Negatives Ranking Loss) を用いた EmbeddingGemma に対する EmbeddingGemma の評価を行った。
本稿では,汎用型埋め込みベンチマークと企業向けジョブ候補マッチング制約のギャップを解消し,現実的なジョブ候補検索条件下での埋め込み戦略を比較するための構造的基盤を提供する。
- 参考スコア（独自算出の注目度）: 0.9354609712376276
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a comparative evaluation of dense embedding models for semantic candidate-job matching in high-volume staffing workflows. Incoming job descriptions are converted into structured English search text and language-specific keywords through LLM-based parsing, and candidate profiles are indexed as semantically enriched resume representations. We evaluate EmbeddingGemma (base) against EmbeddingGemma fine-tuned with Cached Multiple Negatives Ranking Loss (MNRL) within a unified hybrid retrieval pipeline that fuses vector similarity and full-text relevance via reciprocal rank fusion (RRF), and benchmark both against the MPNet model on a batch comparative evaluation dataset scored through the deployed job-candidate matching scoring pipeline. We further document, with mathematical detail, the broader set of contrastive fine-tuning objectives considered during model development (including AnglE/CoSENT-style refinement) and the empirical rationale for retaining Cached-MNRL-only adaptation as the preferred configuration. To support reproducible model selection, we define a broader evaluation framework comprising standard information retrieval metrics (Recall@K, mean reciprocal rank, nDCG) under the exact hybrid-retrieval protocol; the metrics used for the evaluation reported in this paper are fine-tuning convergence diagnostics and a batch comparative evaluation using the deployed AI-Match score and an independent LLM-as-a-Judge relevance score, and we state this scope explicitly rather than implying the full framework was measured. The paper addresses the gap between general-purpose embedding benchmarks and enterprise job-candidate matching constraints, providing a structured basis for comparing embedding strategies under realistic job-candidate retrieval conditions.
- Abstract（参考訳）: 本稿では,高ボリュームスタッフワークフローにおけるセマンティックな候補-ジョブマッチングのための密着型埋め込みモデルの比較評価を行う。
ジョブ記述が構造化された英語検索テキストや言語固有のキーワードにLLMベースの構文解析を通じて変換され、候補プロファイルは意味的にリッチな履歴表現としてインデックス化される。
我々は,MNRL(Mach Multiple Negatives Ranking Loss)で微調整した EmbeddingGemma に対する EmbeddingGemma (base) の評価を行った。
さらに、数学的に詳細に、モデル開発(AnglE/CoSENTスタイルの洗練を含む)において考慮された、より広範なコントラスト的な微調整目的と、Cached-MNRLのみの適応を好ましい構成として維持する経験的根拠を文書化する。
再現可能なモデル選択を支援するため,我々は,標準情報検索指標(recall@K, mean reciprocal rank, nDCG)を厳密なハイブリッド検索プロトコルで定義し,本論文で報告した評価基準は,AI-Matchスコアと独立LLM-as-Judgeレバレンススコアを用いたバッチ比較評価である。
本稿では,汎用型埋め込みベンチマークと企業向けジョブ候補マッチング制約のギャップを解消し,現実的なジョブ候補検索条件下での埋め込み戦略を比較するための構造的基盤を提供する。
関連論文リスト
- Structuring Semantic Embeddings for Principle Evaluation: A Prototype-Guided Contrastive Learning Approach [58.15427952222424]
汎用的なテキスト埋め込みはそのようなタスクに広くデプロイされているが、意味的類似性は意味的に似ているがタスク固有の例を示すことができる。
本稿では,凍結したテキスト埋め込み上に構築された幾何正規化モジュールであるPGCL(Prototype-Guided Contrastive Learning)を紹介する。
論文 参考訳（メタデータ） (2026-08-15T13:19:25Z) - From paper to benchmark: agentic, framework-based reproduction of under-specified methods in machine health intelligence [12.026104106923556]
産業統計・健康管理(Industrial Prognostics and Health Management)は、公開論文を実行可能なベンチマーク対応実装に変換するための代表的なケーススタディである。
提案手法では,エフェスロット結合インタフェースを用いて,エージェントが文書を共有PHMベンチマークフレームワークに変換する。
提案手法は16個のPHM紙上で評価され, フレームワークを改良した, スキルベース, プロンプトベースのエージェント再現と, 最新のフレームワークフリーのペーパー複製エージェントを比較した。
論文 参考訳（メタデータ） (2026-05-27T12:11:05Z) - From Isolated Scoring to Collaborative Ranking: A Comparison-Native Framework for LLM-Based Paper Evaluation [12.13840753234467]
大規模言語モデル (LLM) は現在, 各論文に絶対スコアを独立に割り当てることで, 科学的論文評価に応用されている。
孤立スコアから協調ランキングへの紙評価のシフトを提案する。
当社のフレームワークは,強力なベースラインであるDeepReview-14Bに対して,textbf21.8%の平均相対的な改善を実現している。
論文 参考訳（メタデータ） (2026-03-18T10:55:02Z) - Agentic AI for Human Resources: LLM-Driven Candidate Assessment [4.271562161453985]
本稿では,Large Language Models (LLMs) を用いて,採用における候補評価を自動化するモジュール型・解釈可能なフレームワークを提案する。
このシステムは、ジョブ記述、CV、面接書、人事フィードバックなど様々なソースを統合し、専門家の判断を反映した構造化された評価レポートを生成する。
このフレームワークは、詳細なアセスメントレポート、候補比較、および、透明で監査可能で、実際の雇用に適したランク付けされたレコメンデーションを出力する。
論文 参考訳（メタデータ） (2026-03-17T21:32:08Z) - 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) - Leveraging Reference Documents for Zero-Shot Ranking via Large Language Models [16.721450557704767]
RefRankは、固定参照文書に基づく単純で効果的な比較ランク付け手法である。
RefRankはポイントワイドのベースラインをはるかに上回り、少なくともペアワイドのアプローチと同等のパフォーマンスを達成できることを示した。
論文 参考訳（メタデータ） (2025-06-13T04:03:09Z) - Self-Calibrated Listwise Reranking with Large Language Models [137.6557607279876]
大規模言語モデル (LLM) はシーケンシャル・ツー・シーケンス・アプローチによってタスクのランク付けに使用されている。
この階調のパラダイムは、より大きな候補集合を反復的に扱うためにスライディングウインドウ戦略を必要とする。
そこで本稿では,LLMを用いた自己校正リストのランク付け手法を提案する。
論文 参考訳（メタデータ） (2024-11-07T10:31:31Z) - Evaluating Retrieval Quality in Retrieval-Augmented Generation [21.115495457454365]
従来のエンドツーエンド評価手法は計算コストが高い。
本稿では,検索リストの各文書をRAGシステム内の大規模言語モデルで個別に利用するeRAGを提案する。
eRAGは、ランタイムを改善し、エンドツーエンド評価の最大50倍のGPUメモリを消費する、大きな計算上のアドバンテージを提供する。
論文 参考訳（メタデータ） (2024-04-21T21:22:28Z) - Hierarchical Indexing for Retrieval-Augmented Opinion Summarization [60.5923941324953]
本稿では,抽出アプローチの帰属性と拡張性と,大規模言語モデル(LLM)の一貫性と拡散性を組み合わせた,教師なし抽象的意見要約手法を提案する。
我々の方法であるHIROは、意味的に整理された離散的な階層を通して文を経路にマッピングするインデックス構造を学習する。
推測時にインデックスを投入し、入力レビューから人気意見を含む文群を識別し、検索する。
論文 参考訳（メタデータ） (2024-03-01T10:38:07Z) - SMART: Sentences as Basic Units for Text Evaluation [48.5999587529085]
本稿では,このような制約を緩和するSMARTと呼ばれる新しい指標を提案する。
文をトークンの代わりにマッチングの基本単位として扱い,ソフトマッチ候補と参照文に文マッチング関数を用いる。
この結果から,提案手法とモデルベースマッチング関数とのシステムレベルの相関は,全ての競合する指標よりも優れていた。
論文 参考訳（メタデータ） (2022-08-01T17:58:05Z)
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。