解耦偏好与资格：基于受限双视角推理的职位推荐
人工智能
2026-02-04 v1
摘要
专业职位推荐涉及复杂的二分匹配过程，必须在候选人的主观偏好与雇主的客观资格之间进行协调。虽然大型语言模型（LLM）适用于建模简历和职位描述的富语义特征，但现有方法常将这两个决策维度简化为单一交互信号，导致招聘漏斗阴影下的监督信号混淆，限制了策略可控性。为此，我们提出 JobRec—a基于受限双视角推理解耦偏好与资格的生成式职位推荐框架。JobRec引入统一语义对齐模式，将候选人与职位属性对齐到结构化语义层次，并提出两阶段协作训练策略，学习解耦的专家分别推断偏好与资格。基于这些专家，拉格朗日政策对齐模块在明确的资格要求下优化推荐方案，实现可控的权衡。为缓解数据稀缺问题，我们构建了经专家精炼的合成数据集。实验表明，JobRec consistently优于强基线方法，为策略感知的专业匹配提供了改进的可控性。
引用
@article{arxiv.2602.03097,
title = {De-conflating Preference and Qualification: Constrained Dual-Perspective Reasoning for Job Recommendation with Large Language Models},
author = {Bryce Kan and Wei Yang and Emily Nguyen and Ganghui Yi and Bowen Yi and Chenxiao Yu and Yan Liu},
journal= {arXiv preprint arXiv:2602.03097},
year = {2026}
}