カテゴリー感のある MoE と LLM ベースのデータ拡張を活用したオンラインリクルートメントの強化

arXiv:2604.21264v1 発表型：新しい 要約：Person-Job Fit (PJF) はオンラインリクルートメントにおける重要な要素です。既存のアプローチには、低品質なジョブ説明と候補者−仕事のパラが低いケースを扱い、モデルの性能を損なうという課題があります。これらの課題に対処するため、この論文では、以下の 2 つの新しい技法を備えた、大規模言語モデル（LLM）ベースの方法を提案します：(1) クエイン・オブ・スワード（COT）プロンプトを活用して低品質なジョブ説明を磨き直す、LLM ベースのデータ拡張。(2) 類似の候補者−仕事ペアを識別するカテゴリー感のあるミキチャー・オブ・エキスパート（MoE）。この MoE モジュールはカテゴリー埋め込みを組み込み、エキスパートに動的な重み付けを割り当て、類似の候補者−仕事ペアに対してより区別性の高いパターンを学習します。我々は、リクルートメントプラットフォーム上でオフライン評価とオンライン A/B テストを実施しました。我々の手法は、AUC で 2.40%、GAUC で 7.46% 向上し、オンラインテストではクリック通過率（CTCVR）を 19.4% 向上させ、外部人材獲得費数百万人民元の節約につながりました。

arXiv:2604.21264v1 Announce Type: new Abstract: Person-Job Fit (PJF) is a critical component for online recruitment. Existing approaches face several challenges, particularly in handling low-quality job descriptions and similar candidate-job pairs, which impair model performance. To address these challenges, this paper proposes a large language model (LLM) based method with two novel techniques: (1) LLM-based data augmentation, which polishes and rewrites low-quality job descriptions by leveraging chain-of-thought (COT) prompts, and (2) category-aware Mixture of Experts (MoE) that assists in identifying similar candidate-job pairs. This MoE module incorporates category embeddings to dynamically assign weights to the experts and learns more distinguishable patterns for similar candidate-job pairs. We perform offline evaluations and online A/B tests on our recruitment platform. Our method relatively surpasses existing methods by 2.40% in AUC and 7.46% in GAUC, and boosts click-through conversion rate (CTCVR) by 19.4% in online tests, saving millions of CNY in external headhunting expenses.