通过特征融合学习用于人岗匹配的有效的表示
信息检索
2020-06-15 v1 计算与语言
机器学习
摘要
人岗匹配是利用机器学习算法在在线招聘平台上匹配候选人和职位帖。匹配算法的有效性严重依赖于为候选人和职位帖学习到的表示。在本文中,我们提出通过特征融合来学习候选人和职位帖的全面且有效的表示。首先,除了应用深度学习模型处理简历和职位帖中的自由文本(现有方法所采用)外,我们从整个简历(和职位帖)中提取语义实体,然后为它们学习特征。通过融合来自自由文本和实体的特征,我们获得了简历和职位帖中明确陈述信息的全面表示。其次,然而,候选人或职位的一些信息可能未在简历或职位帖中显式捕获。尽管如此,包含接受和拒绝案例的历史申请可以揭示候选人或招聘者的一些隐含意图。因此,我们提出通过使用 LSTM 处理历史申请来学习隐含意图的表示。最后,通过融合显式和隐式意图的表示,我们获得了用于人岗匹配的更全面且有效的表示。基于 10 个月真实数据的实验表明,我们的方案以较大优势优于现有方法。消融研究证实了融合表示各部分的贡献。所提取的语义实体有助于在案例研究中解释匹配结果。
引用
@article{arxiv.2006.07017,
title = {Learning Effective Representations for Person-Job Fit by Feature Fusion},
author = {Junshu Jiang and Songyun Ye and Wei Wang and Jingran Xu and Xiaosheng Luo},
journal= {arXiv preprint arXiv:2006.07017},
year = {2020}
}
备注
8 pages