カテゴリーを考慮したMoEとLLMベースのデータ拡張によるオンライン採用の強化

arXiv cs.AI / 2026/4/25

📰 ニュースIdeas & Deep AnalysisTools & Practical UsageModels & Research

共有:

要点

この論文は、求人票の質が低いことや、似た候補者と求人の組み合わせによってモデル性能が低下する問題に対処し、オンライン採用におけるPerson-Job Fit（PJF）を改善することを目的としています。
LLMベースのデータ拡張として、chain-of-thought（CoT）プロンプトを用いて低品質な求人票を書き換え・磨き上げる手法を提案しています。
さらに、カテゴリー埋め込みを用いて専門家（experts）への重みを動的に割り当て、似た候補者・求人の組み合わせに対してより識別力の高いパターンを学習するカテゴリー対応Mixture of Experts（MoE）も提案しています。
提案手法はオフライン評価とオンラインA/Bテストで検証され、AUCで2.40%、GAUCで7.46%の向上に加え、クリック・スルーのコンバージョン率（CTCVR）が19.4%改善し、外部ヘッドハンティング費用の大幅削減にもつながったと報告しています。
これらの結果は、LLMによる文章の洗練とカテゴリー対応MoEを組み合わせることで、採用プラットフォームの順位付けやコンバージョン指標を実質的に改善できる可能性を示しています。

Abstract

Person-Job Fit（PJF）は、オンライン採用における重要な要素です。既存の手法にはいくつかの課題があり、特に品質の低い求人情報や、類似する候補者—求人ペアを扱う際に問題が生じ、モデルの性能が損なわれます。これらの課題に対処するため、本論文では大規模言語モデル（LLM）に基づく手法を提案し、2つの新規技術を導入します：（1）LLMベースのデータ拡張。チェーン・オブ・ソート（COT）プロンプトを活用して、品質の低い求人情報を磨き上げ、書き換えます。（2）カテゴリーに配慮したMixture of Experts（MoE）。これは、類似する候補者—求人ペアを特定するのを支援します。このMoEモジュールではカテゴリー埋め込みを組み込み、専門家（エキスパート）に動的に重みを割り当てることで、類似する候補者—求人ペアに対してより識別可能なパターンを学習します。私たちは採用プラットフォーム上で、オフライン評価およびオンラインA/Bテストを実施しました。提案手法は、AUCで既存手法に対して相対的に2.40%上回り、GAUCで7.46%上回りました。また、オンラインテストではクリック率の転換率（CTCVR）を19.4%向上させ、外部ヘッドハンティング費用として数百万元（CNY）を節約しました。