基于类别感知的 MoE 与 LLM 数据增强提升线上招聘效果
人工智能
2026-04-24 v1
摘要
人-岗匹配(PJF)是线上招聘的关键组件。现有方法面临诸多挑战，尤其在处理低质量岗位描述和相似的候选人-岗位对上，会显著影响模型性能。为此，本文提出一种基于大语言模型(LLM)的方法，包含两个新颖技术：(1) 基于链律思考(COT)提示的 LLM 数据增强，精炼并重写低质量岗位描述；(2) 类别感知混合专家(MoE)，辅助识别相似的候选人-岗位对。该 MoE 模块融合类别嵌入，动态为专家分配权重，并学习更具辨识力的相似候选人-岗位对模式。我们在招聘平台上进行离线评估和在线 A/B 测试。该方法在 AUC 上提升 2.40%，在 GAUC 上提升 7.46%，在在线测试中将点击-through 转化率(CTCVR)提升 19.4%，为外部猎头人力成本节省数百万元人民币。
引用
@article{arxiv.2604.21264,
title = {Enhancing Online Recruitment with Category-Aware MoE and LLM-based Data Augmentation},
author = {Minping Chen and Bing Xu and Zulong Chen and Chuanfei Xu and Ying Zhou and Zui Tao and Zeyi Wen},
journal= {arXiv preprint arXiv:2604.21264},
year = {2026}
}
备注
Accepted to ACL Industry Track 2026