論文の概要: Constraint-Aware Conversational Job Recommendation in Code-Mixed Low-Resource Settings

• arxiv url: http://arxiv.org/abs/2610.05787v1
• Date: Mon, 05 Oct 2026 04:36:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 04:21:04.943532
• Title: Constraint-Aware Conversational Job Recommendation in Code-Mixed Low-Resource Settings
• Title（参考訳）: 符号混合低リソース設定における制約を考慮した会話型求人勧告
• Abstract要約: JobCCCはバングラデシュにおける会話型ジョブレコメンデーションベンチマークである。 それぞれの対話は、進化する探究者の好みに注釈付けされ、地味な仕事と関連付けられ、意味論的に同等の英語とロマンティックなバングラ・英語の変種で評価される。 We compare sparse BM25 search, multilingual dense search, and their hard-constraint-filtered opponents against Weighted Soft-Constraint-Aware Ranking (W-SCAR)。 厳密なフィルタリングは、不完全な抽出と不安定な属性マッチングが関係するジョブを不可逆的に削除するため、検索を継続的に劣化させる。
• 参考スコア（独自算出の注目度）: 0.9811617155748463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conversational job recommendation requires jointly modeling semantic relevance, user preferences, eligibility requirements, and the noisy language used in real-world career discussions. These challenges are especially pronounced in low-resource, code-mixed settings, where strict constraint matching can incorrectly eliminate otherwise suitable jobs. We introduce JobCCC, a conversational job recommendation benchmark for Bangladesh comprising 22,410 structured job postings and 988 multi-turn career-advice dialogues derived from regional Reddit communities. Each dialogue is annotated with evolving seeker preferences and linked to a ground-truth job, and is evaluated in semantically equivalent English and Romanized Bangla--English variants. We compare sparse BM25 retrieval, multilingual dense retrieval, and their hard-constraint-filtered counterparts against Weighted Soft-Constraint-Aware Ranking (W-SCAR), our multi-criteria ranking framework that combines lexical relevance, semantic relevance, and graded utilities for experience, location, education, and salary using the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS). Experiments reveal that strict filtering consistently degrades retrieval because incomplete extraction and brittle attribute matching irreversibly remove relevant jobs. W-SCAR avoids destructive pruning and achieves more balanced performance across the two language conditions, obtaining 37.37% and 38.43% Hit@10 on English and Banglish, respectively. The code and dataset are publicly available at \href{https://github.com/M-Jawad01/Conversational-Job-Recommendation-System-LLM}{GitHub} and \href{https://huggingface.co/datasets/Armans33115/JobCCC-Conversational-Job-Recommendation-Bangladesh}{Hugging Face}, respectively.
• Abstract（参考訳）: 会話型ジョブレコメンデーションには、セマンティックな関連性、ユーザの好み、適格性要件、現実のキャリアの議論で使われるうるさい言語を共同でモデル化する必要がある。 これらの課題は、特に低リソースでコードミキシングされた設定で顕著であり、厳密な制約マッチングは、不適切なジョブを誤って排除する可能性がある。 本研究では,バングラデシュにおけるジョブレコメンデーションベンチマークであるJobCCCを紹介した。 それぞれの対話は、進化する探究者の好みに注釈付けされ、地味な仕事と関連付けられ、意味論的に同等の英語とロマンス化されたバングラ英語の変種で評価される。 筆者らは, 経験, 場所, 教育, 給与等のための語彙的関連性, 意味的関連性, 格付けされたユーティリティを組み合わせた多基準ランキングフレームワーク, BM25検索, マルチリンガル高密度検索, および, 重み付きソフト制約意識ランキング(W-SCAR)に対するハードコントラストフィルタとの比較を行った。 厳密なフィルタリングは、不完全な抽出と不安定な属性マッチングが関係するジョブを不可逆的に削除するため、検索を継続的に劣化させる。 W-SCARは破壊的なプルーニングを回避し、2つの言語条件でよりバランスの取れたパフォーマンスを実現し、それぞれ37.37%と38.43%のHit@10を英語とバングリッシュで獲得した。 コードとデータセットは、それぞれ \href{https://github.com/M-Jawad01/Conversational-Job-Recommendation-System-LLM}{GitHub} と \href{https://huggingface.co/datasets/Armans33115/JobCCC-Conversational-Job-Recommendation-Bangladesh}{Hugging Face} で公開されている。

関連論文リスト

• Policy-Grounded Dynamic Facet Suggestions for Job Search [8.820401111478139]
  LinkedInでは、ジョブ関連のクエリの80%以上が、3つ以上のキーワードを含んでいる。 本稿では,意図の曖昧さを容易にする対話型クエリ改善機構である動的ファセット提案(DFS)を提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:30:45Z)
• Job Skill Extraction via LLM-Centric Multi-Module Framework [51.37063712967151]
  本稿では,意味検索,文脈内学習,教師付き微調整を組み合わせたLLM中心のフレームワークであるSRICLを提案する。 SRICLは、6つの公的なスパンラベル付きジョブアド文のコーパスにおいて、GPT-3.5よりも相当なSTRICT-F1の改善を達成し、ベースラインを加速し、無効なタグと幻覚したスパンを激減する。
  論文  参考訳（メタデータ） (2026-04-23T10:46:07Z)
• Contrastive Bi-Encoder Models for Multi-Label Skill Extraction: Enhancing ESCO Ontology Matching with BERT and Attention Mechanisms [0.0]
  細密労働市場分析は、構造化されていない求人広告をESCOのような標準化されたスキルにマッピングすることにますます依存している。 本稿では,手動でラベル付けされたジョブ・アド・トレーニングデータを必要としないゼロショットスキル抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-14T03:43:45Z)
• Reducing the Scope of Language Models [7.464494269745494]
  言語モデルのスコープ化が可能であることを示す。 我々は無関係なクエリの多様性、レイヤの異なるテクニック、敵対的な評価を行う。 我々は,言語モデルをスコーピングする実践者のガイドとして,本研究を行おうとしている。
  論文  参考訳（メタデータ） (2024-10-28T23:06:57Z)
• Cross-lingual Contextualized Phrase Retrieval [63.80154430930898]
  そこで本研究では,言語間関係の単語検索を多義的に行うタスクの定式化を提案する。 我々は、コントラスト学習を用いて、言語間コンテクスト対応句検索(CCPR)を訓練する。 フレーズ検索タスクでは、CCPRはベースラインをかなり上回り、少なくとも13ポイント高いトップ1の精度を達成する。
  論文  参考訳（メタデータ） (2024-03-25T14:46:51Z)
• Parameter-Efficient Conversational Recommender System as a Language Processing Task [52.47087212618396]
  会話レコメンデータシステム(CRS)は,自然言語会話を通じてユーザの嗜好を喚起することで,ユーザに対して関連項目を推薦することを目的としている。 先行作業では、アイテムのセマンティック情報、対話生成のための言語モデル、関連する項目のランク付けのためのレコメンデーションモジュールとして、外部知識グラフを利用することが多い。 本稿では、自然言語の項目を表現し、CRSを自然言語処理タスクとして定式化する。
  論文  参考訳（メタデータ） (2024-01-25T14:07:34Z)
• Unsupervised Contrast-Consistent Ranking with Language Models [24.696017700382665]
  言語モデルはランキングベースの知識を含み、コンテキスト内ランキングタスクの強力な解法である。 我々は、言語モデルのランキング知識を引き出すために、ペアワイズ、ポイントワイズ、リストワイズの各テクニックを比較した。 注意深いキャリブレーションと制約付きデコーディングであっても、プロンプトベースのテクニックは、必ずしもそれらが生成するランキングにおいて自己整合であるとは限らない。
  論文  参考訳（メタデータ） (2023-09-13T14:36:26Z)

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。