规模化招聘搜索：LLM 增强的查询理解在职位匹配系统中的应用
信息检索
2025-09-15 v1 机器学习
摘要
查询理解是现代相关性系统的关键所在，用户查询往往简短、模糊且高度依赖上下文。传统方法通常依赖多个面向特定任务的命名实体识别模型来提取结构化 facets，作为职位搜索应用中常见的做法。然而，这种碎片化的体系结构脆弱、维护成本高、难以适应不断演变的分类学和语言模式。在本文中，我们引入了一个由大型语言模型（LLM）驱动的统一查询理解框架，旨在解决上述局限性。我们的框架联合建模用户查询和上下文信号（如轮廓属性），生成结构化解释，以驱动更准确、更个性化的推荐。该框架在线 A/B 测试中提升了相关性质量，同时显著降低了系统复杂度和运营开销。结果表明，我们的解决方案为动态 Web 应用中的查询理解提供了可扩展且可适应的基础。
引用
@article{arxiv.2509.09690,
title = {Powering Job Search at Scale: LLM-Enhanced Query Understanding in Job Matching Systems},
author = {Ping Liu and Jianqiang Shen and Qianqi Shen and Chunnan Yao and Kevin Kao and Dan Xu and Rajat Arora and Baofen Zheng and Caleb Johnson and Liangjie Hong and Jingwei Wu and Wenjing Zhang},
journal= {arXiv preprint arXiv:2509.09690},
year = {2025}
}
备注
CIKM2025