高效长上下文排序架构：基于校准 LLM 蒸馏的应用——人-职位匹配
计算与语言
2026-01-19 v2 信息检索
机器学习
社会与信息网络
摘要
在实际场景中，尤其是在简历长篇、结构化且多语言时，寻找最相关的候选人进行实时职位匹配具有挑战性。本文提出一种基于新一代晚期交叉注意力架构的重排序模型，将简历和项目简报解构，以实现低计算开销下的长文本处理。为缓解历史数据偏见，我们使用生成式大语言模型（LLM）作为教师模型，生成细粒度且语义导向的监督信号。该信号通过增强蒸馏损失函数被蒸馏到我们的学生模型中。 resulting 的模型产生技能匹配得分，实现一致且可解释的人-职位匹配。在相关性、排序和校准指标实验中，我们的方法在SOTA基线上显著优于。
引用
@article{arxiv.2601.10321,
title = {An Efficient Long-Context Ranking Architecture With Calibrated LLM Distillation: Application to Person-Job Fit},
author = {Warren Jouanneau and Emma Jouffroy and Marc Palyart},
journal= {arXiv preprint arXiv:2601.10321},
year = {2026}
}