GESA：用于通用、公平和可解释的候选人与岗位匹配的图增强语义分配
人工智能
2025-10-01 v1
摘要
准确、公平和可解释的候选人与岗位分配是多个领域（包括企业招聘、学术录取、奖学金评选和志愿者安置系统）面临的基本挑战。现有的最先进方法存在语义灵活性不足、持续的群体偏见、决策过程不透明以及在动态策略约束下可扩展性差等问题。我们提出了 GESA（Graph-Enhanced Semantic Allocation），一个通过整合领域自适应变换器嵌入、异质自监督图神经网络、对抗去偏机制、多目标遗传优化和可解释人工智能组件来解决这些局限性的综合框架。我们在大规模国际基准数据集上的实验评估涵盖了 20,000 份候选人档案和 3,000 份岗位规范，结果展示了优越的性能：前 3 名分配准确率达到 94.5%，多样性表征提升 37%，各人口统计类别的公平性得分为 0.98，以及亚秒级端到端延迟。此外，GESA 集成了混合推荐能力和玻璃盒式可解释性，使其适合部署在工业、学术界和非营利部门的多样化国际环境中。
引用
@article{arxiv.2509.25435,
title = {GESA: Graph-Enhanced Semantic Allocation for Generalized, Fair, and Explainable Candidate-Role Matching},
author = {Rishi Ashish Shah and Shivaay Dhondiyal and Kartik Sharma and Sukriti Talwar and Saksham Jain and Sparsh Jain},
journal= {arXiv preprint arXiv:2509.25435},
year = {2025}
}