利用多视角协同教学网络从稀疏交互数据中学习职位与简历匹配
计算与语言
2020-09-29 v1 信息检索
机器学习
摘要
随着在线招聘数据的不断增长，职位-简历匹配已成为自动将职位与合适简历匹配的重要任务。该任务通常被视作有监督文本匹配问题。当有标签数据充足时，有监督学习非常有效。然而，在在线招聘平台上，职位-简历交互数据稀疏且含噪，影响了职位-简历匹配算法的性能。为缓解这些问题，本文提出一种从稀疏交互数据进行职位-简历匹配的新型多视角协同教学网络。我们的网络由两个主要组件构成，即基于文本的匹配模型和基于关系的匹配模型。两部分从两个不同视角捕捉语义兼容性，并互为补充。为应对稀疏和含噪数据带来的挑战，我们设计两种特定策略以结合两个组件。首先，两个组件共享所学参数或表示，从而增强各组件的原始表示。更重要的是，我们采用协同教学机制以降低训练数据中噪声的影响。其核心思想是让两个组件通过筛选更可靠的训练样本互相帮助。两种策略分别聚焦于表示增强和数据增强。与纯基于文本的匹配模型相比，所提方法能从有限甚至稀疏的交互数据中学习更好的数据表示，对训练数据中的噪声更具抵抗力。实验结果证明，我们的模型在职位-简历匹配上优于当前最优（SOTA）方法。
引用
@article{arxiv.2009.13299,
title = {Learning to Match Jobs with Resumes from Sparse Interaction Data using Multi-View Co-Teaching Network},
author = {Shuqing Bian and Xu Chen and Wayne Xin Zhao and Kun Zhou and Yupeng Hou and Yang Song and Tao Zhang and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2009.13299},
year = {2020}
}