基于大语言模型的生成式职位推荐
信息检索
2023-07-06 v1 计算与语言
摘要
在线招聘服务的快速发展推动了推荐系统的应用，以简化求职流程。当前职位推荐主要采用的是协同过滤或人岗匹配策略。然而，这些模型往往作为“黑盒”系统运行，缺乏向求职者提供可解释指导的能力。此外，传统的基于匹配的推荐方法仅限于检索和排序数据库中的现有职位，限制了其作为综合性职业 AI 顾问的潜力。为此，本文提出 GIRL（基于大语言模型的生成式职位推荐，GeneratIve job Recommendation based on Large language models），一种受大语言模型（LLM）领域近期进展启发的新方法。我们首先采用监督微调（SFT）策略，指导基于 LLM 的生成器根据求职者的简历（CV）撰写合适的职位描述（JD）。此外，我们提出训练一个能够评估 CV 与 JD 之间匹配程度的模型作为奖励模型，并使用基于近端策略优化（PPO）的强化学习（RL）方法进一步微调生成器。这使生成器与招聘方反馈对齐，使输出更好地满足雇主偏好。特别地，GIRL 作为一种以求职者为中心的生成式模型，无需候选集即可提供职位建议。该能力还通过用生成内容补充求职特征，提升了现有职位推荐模型的性能。在大规模真实数据集上的大量实验表明了我们方法的显著有效性。我们认为 GIRL 为职位推荐系统引入了范式转变的方法，促进了更个性化和全面的求职体验。
引用
@article{arxiv.2307.02157,
title = {Generative Job Recommendations with Large Language Model},
author = {Zhi Zheng and Zhaopeng Qiu and Xiao Hu and Likang Wu and Hengshu Zhu and Hui Xiong},
journal= {arXiv preprint arXiv:2307.02157},
year = {2023}
}