LLMベースの生成的敵対ネットワークによる仕事推薦の強化

ユーザーに適切な仕事を推薦することは、オンラインリクルートメントプラットフォームにおける重要なタスクです。既存の仕事推薦方法は、ユーザーの履歴書の品質が低いために精度や実効性が妨げられるといった課題に直面しています。大規模言語モデル（LLM）の急速な発展に伴い、それらに内包された豊富な外部知識と強力な推論能力を活用することは、ユーザーの履歴書を完成させてより正確な推薦を行う有望な手法です。しかし、LLMを直接利用して推薦結果を向上させることは、LLMが虚偽の生成や少数ショットの問題に悩まされる可能性があるため、一律の解決策ではありません。これにより、履歴書の完成の質が低下します。本論文では、仕事推薦のための新しいLLMベースのアプローチを提案します。LLMの虚偽生成の制限を軽減するために、ユーザーの自己記述を超える正確で価値のある情報を抽出し、LLMがユーザーの履歴書完成に向けてより良くプロファイリングできるようにします。具体的には、ユーザーの自己記述から明示的なプロパティ（例：スキル、興味）を抽出するだけでなく、彼らの行動から暗黙の特徴を推測して、より正確で意味のある履歴書完成を目指します。それにもかかわらず、一部のユーザーは依然として少数ショットの問題に悩まされており、希少なインタラクション記録が高品質な履歴書生成に対する限られた指導につながっています。この問題に対処するために、生成的敵対ネットワーク（GAN）を通じて、低品質な未対になった履歴書を高品質な生成履歴書と整合させることを提案し、履歴書の表現を洗練させてより良い推薦結果を得ることができます。三つの大規模な実世界のリクルートメントデータセットにおける広範な実験は、提案した手法の効果を示しています。