基于大语言模型生成对抗网络的职位推荐增强方法
信息检索
2023-07-21 v1
摘要
向用户推荐合适的职位是在线招聘平台中的一项关键任务，因为它能够提升用户满意度与平台盈利能力。现有职位推荐方法面临诸多挑战，例如用户简历质量偏低，这制约了其准确性与实际效果。随着大语言模型（LLMs）的快速发展，利用其蕴含的丰富外部知识以及强大的文本处理与推理能力，是补全用户简历以实现更精准推荐的一种可行途径。然而，直接借助 LLMs 提升推荐效果并非通用解法，因为 LLMs 可能存在虚构生成与少样本问题，从而降低简历补全的质量。本文提出一种新颖的基于 LLM 的职位推荐方法。为缓解 LLMs 虚构生成的局限，我们提取用户自述之外的准确且有价值的信息，从而帮助 LLMs 更好地刻画用户以补全简历。具体而言，我们不仅从用户自述中提取其显式属性（如技能、兴趣），还依据其行为推断隐式特征，以实现更准确且有意义的简历补全。尽管如此，部分用户仍受少样本问题困扰，该问题源于交互记录稀少，导致模型在生成高质量简历时指导有限。为此，我们提出通过生成对抗网络（GANs）将未配对低质量简历与高质量生成简历对齐，从而优化简历表征以获得更好的推荐结果。在三个大型真实招聘数据集上的大量实验证明了我们所提方法的有效性。
引用
@article{arxiv.2307.10747,
title = {Enhancing Job Recommendation through LLM-based Generative Adversarial Networks},
author = {Yingpeng Du and Di Luo and Rui Yan and Hongzhi Liu and Yang Song and Hengshu Zhu and Jie Zhang},
journal= {arXiv preprint arXiv:2307.10747},
year = {2023}
}
备注
13 pages, 6 figures, 3 tables