JobFormer：基于语义增强Transformer的技能感知职位推荐
信息检索
2024-04-09 v1 人工智能
摘要
职位推荐旨在为潜在人才提供与其职业轨迹相符的职位描述（JDs），在主动人才招聘中发挥着 essential 作用。在实际管理场景中，可用的JD-用户记录始终包含JDs、用户档案和点击数据，其中用户档案通常以用户技能分布形式呈现以保护隐私。尽管已有 sophisticated 推荐方法可直接应用，但仍面临JD本身信息不足以及JD与用户档案之间天然异构性差的挑战。为此，我们提出了一种基于设计的语义增强Transformer的技能感知推荐模型，用于解析JDs并完成个性化职位推荐。具体而言，我们首先建模每个JD的相对项目，然后采用带有局部-全局注意力机制的编码器，以更好地从JD元组中挖掘职位内部和跨职位的依赖关系。此外，我们采用两阶段学习策略进行技能感知推荐，其中我们利用技能分布引导JD表示学习，以召回阶段为主；随后结合用户档案进行最终预测，以排序阶段为主。因此，我们可以为学习JDs嵌入丰富的上下文语义表示，同时技能感知推荐为点击-through率（CTR）预测提供有效的JD-用户联合表示。为验证该方法在职位推荐方面的优势性能，我们在大规模真实数据和公开数据集上进行了详尽的经验分析，以展示其有效性和可解释性。
引用
@article{arxiv.2404.04313,
title = {JobFormer: Skill-Aware Job Recommendation with Semantic-Enhanced Transformer},
author = {Zhihao Guan and Jia-Qi Yang and Yang Yang and Hengshu Zhu and Wenjie Li and Hui Xiong},
journal= {arXiv preprint arXiv:2404.04313},
year = {2024}
}