利用深度个性化注意力神经网络改进下一职位申请预测
信息检索
2021-11-23 v1 人工智能
摘要
近年来，由于电子招聘平台的普及与优势，职位推荐系统已被广泛研究。本文中，我们解决下一职位申请问题，该问题具有诸多实际应用。具体而言，我们提议借助下一物品推荐方法来更好地考虑求职者的职业偏好，以发现他们可能申请的下一个相关职位发布（简称职位）。我们提出的模型名为个性化注意力下一申请预测（PANAP），由三个模块组成。第一模块以无监督方式从文本内容与元数据属性中学习职位表示。第二模块学习求职者表示。其包含一种个性化注意力机制，可将所学职业偏好表示中每个职位的重要性适配到特定求职者画像。该注意力机制也为所学表示带来一定可解释性。随后，第三模块将下一申请预测任务建模为基于表示相似度的 Top-K 检索过程。此外，地理位置是影响招聘领域求职者偏好的关键因素。因此，我们从负采样策略的角度探究地理位置对模型性能的影响。在公开 CareerBuilder12 数据集上的实验显示了我们方法的优势。
引用
@article{arxiv.2111.11296,
title = {Improving Next-Application Prediction with Deep Personalized-Attention Neural Network},
author = {Jun Zhu and Gautier Viaud and Céline Hudelot},
journal= {arXiv preprint arXiv:2111.11296},
year = {2021}
}