Powering Job Search at Scale: LLM-Enhanced Query Understanding in Job Matching Systems
LinkedIn Corporation（LinkedIn公司）
本文提出由LLM驱动的统一查询理解框架，联合建模用户查询与上下文信号生成结构化解释，在求职匹配中提升推荐相关性并降低系统复杂度。
2025-08-19 cs.IR cs.LG
Embedding-based Recommender System for Job to Candidate Matching on Scale
在线招聘匹配系统已经成为凯业必达的核心技术和服务平台。在线征聘方案的主要挑战之一是使用推荐系统在职位和候选人之间提供良好的匹配。本文讨论了一个基于嵌入的推荐系统在大规模职位推荐中的应用技术。为了全面有效地学习职位和候选人的嵌入，我们通过对原始文本、语义实体和位置信息进行不同层次的表示学习，构建了一个融合嵌入。然后，使用融合嵌入的工件和候选人的集群来构建和训练支持运行时近似最近邻搜索的候选人检索的Faiss索引。在第一阶段的候选检索后，第二阶段的重排序模型，利用其他上下文信息被用来生成最终的匹配结果。离线和在线评估结果表明，我们提出的基于两阶段嵌入的系统在点击率（CTR），质量和归一化的折扣累积增益（nDCG）方面的显着改善，与我们的基线系统相比。我们进一步描述了支持CareerBuilder百万级职位和候选人匹配流程的系统部署。我们的职位与候选人匹配系统的整体改进已经在一个主要的在线招聘网站上证明了它的可行性和可扩展性。
2021-07-01 cs.IR
conSultantBERT: Fine-tuned Siamese Sentence-BERT for Matching Jobs and Job Seekers
Randstad Groep Nederland（任仕达集团荷兰）
在本文中，我们专注于在职位空缺和简历中构建有用的文本信息嵌入，我们的目标是将其作为特征与其他特征一起纳入求职者匹配模型。我们解释了我们的任务，从解析的简历，不同来源的数据，跨语言和多语言的异构性的嘈杂的数据提出了特定领域的挑战。我们通过微调Siamese Sentence-BERT（SBERT）模型来应对这些挑战，我们称之为conSullivan BERT，使用由我们的人事顾问标记的超过270，000个简历空缺对的大规模，真实世界和高质量数据集。我们展示了我们的微调模型如何显著优于依赖于TF-IDF加权特征向量和BERT嵌入的无监督和监督基线。此外，我们发现我们的模型成功地匹配跨语言和多语言的文本内容。
2021-09-14 cs.CL cs.IR
Job Posting-Enriched Knowledge Graph for Skills-based Matching
劳动力市场在不断发展。职业正在改变、增加或消失，以适应当今市场的需求。近年来，由于全球化、数字化和在家工作的转变等因素，这种变化的速度加快了。在选择就业时，有不同的相关因素，例如，文化适应、补偿、提供的自由度。为了成功地完成一项职业，需要（工作）和拥有（求职者）技能之间的差距需要尽可能小。减少这种技能差距可以提高求职者与职业之间的匹配度。在本文中，我们提出了一个定制的技能和职业知识图谱（KG），该图谱通过利用富含外部职位发布数据的现有技能和职业分类来适应上述劳动力市场的动态性质。我们利用这个KG并探索了几个基于技能的求职者匹配工作的应用程序。首先，我们研究链接预测作为一种手段，以量化技能的相关性的职业，这可以帮助优先考虑员工的学习和发展。其次，研究了职业路径搜索的节点相似度方法和最短路径算法。最后，我们利用术语加权方法来确定哪些技能对于不同（类型）的职业最“独特”。
2021-09-06 cs.IR
App for Resume-Based Job Matching with Speech Interviews and Grammar Analysis: A Review
P.E.S. Modern College of Engineering（P.E.S.现代工程学院）
该综述探讨了结合语音与文本NLP的端到端系统在面试准备与职位推荐中的可行性，分析了现有推荐系统的局限，为后续NLP应用项目提供方法与局限的参考。
2023-11-20 cs.CL cs.IR cs.LG
Learning to Match Jobs with Resumes from Sparse Interaction Data using Multi-View Co-Teaching Network
School of Information, Renmin University of China（中国人民大学信息学院）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Beijing Key Laboratory of Big Data Management and Analysis Methods（北京市大数据管理与分析方法重点实验室）；Department of Computer Science, University College London（伦敦大学学院计算机科学系）；BOSS Zhipin NLP Center（BOSS直聘自然语言处理中心）
随着在线招聘数据的不断增长，职位-简历匹配已经成为一个重要的任务，自动匹配职位与合适的简历。这个任务通常被视为一个有监督的文本匹配问题。当标记数据足够时，监督学习是强大的。然而，在在线招聘平台上，工作-简历交互数据是稀疏和噪声，这影响了工作-简历匹配算法的性能。为了缓解这些问题，在本文中，我们提出了一种新的多视图协同教学网络从稀疏的交互数据的工作简历匹配。我们的网络由两个主要组成部分，即基于文本的匹配模型和基于关系的匹配模型。这两个部分分别从两个不同的角度来把握语义的兼容性，并相互补充。为了解决稀疏和噪声数据的挑战，我们设计了两个具体的策略来结合这两个组件。首先，两个组件共享所学习的参数或表示，使得可以增强每个组件的原始表示。更重要的是，我们采用了一种协同教学机制来减少训练数据中噪声的影响。其核心思想是通过选择更可靠的训练实例，让两个组件相互帮助。这两种策略分别侧重于表示增强和数据增强。与纯基于文本的匹配模型相比，该方法能够从有限甚至稀疏的交互数据中学习更好的数据表示，更能抵抗训练数据中的噪声。实验结果表明，我们的模型是能够优于国家的最先进的方法进行工作简历匹配。
2020-09-25 cs.CL cs.IR cs.LG
Modeling Two-Way Selection Preference for Person-Job Fit
人-职匹配是网络招聘平台的核心技术，通过将招聘岗位与求职者进行准确匹配，提高招聘效率。现有的工作主要集中在建模的单向过程或整体匹配。然而，招聘是一个双向选择的过程，这意味着参与互动的候选人和雇主都应该满足彼此的期望，而不是单方面的满足。在本文中，我们提出了一个双视角图表示学习的方法来建模候选人和工作之间的有向交互。为了从求职者和雇主的双重视角对双向选择偏好进行建模，我们为每个候选人（或工作）加入了两个不同的节点，并通过统一的双视角交互图来描述成功匹配和失败匹配。为了有效地学习双视角节点表示，我们设计了一个有效的优化算法，它涉及到一个基于四倍的损失和双视角对比学习损失。在三个大型真实招聘数据集上的大量实验表明了我们方法的有效性。
2022-08-19 cs.IR
Person-job fit estimation from candidate profile and related recruitment history with co-attention neural networks
现有的在线招聘平台依赖于自动进行人-职匹配的方式，其目标是将合适的求职者与工作岗位匹配。直觉上，以前成功的招聘记录包含了重要的信息，这些信息对当前的人岗匹配应该是有帮助的。然而，现有的关于人-职匹配的研究主要集中在基于内容计算候选人简历与招聘信息之间的相似度，而没有考虑招聘人员的经验（即，历史成功招聘记录）。本文提出了一种新的人-职匹配的神经网络方法，该方法利用候选人的个人简历和相关的招聘历史，利用共同关注神经网络（PJFCANN）来估计人-职匹配。具体而言，给定一个目标简历-职位对，PJFCANN通过共同注意神经网络生成局部语义表示，并通过图神经网络生成全局经验表示。通过结合这两种表示来计算最终的匹配度。通过这种方式，引入了历史成功招聘记录，以丰富简历和职位发布的功能，并加强当前的匹配过程。在大规模招聘数据集上进行的广泛实验验证了PJFCANN与几种最先进基线相比的有效性。代码发布于：https://github.com/CCIIPLab/PJFCANN。
2022-06-18 cs.IR
From Skill Extraction to Multistakeholder Recommendation: A Two-Stage Framework for Bias Governance in Skills-Based Job Matching
Know Center Research GmbH（Know中心研究有限公司）
研究基于技能的工作匹配中的偏见治理，提出两阶段框架，第一阶段处理技能提取等，第二阶段进行多利益相关方推荐，通过区分硬软约束相连，用分布审计等方法检测治理偏见，生成清单并设定公平阈值。
2026-07-20 cs.IR
CompanyName2Vec: Company Entity Matching Based on Job Ads
实体匹配是所有现实世界系统的重要组成部分，这些系统接收来自不同来源的结构化和非结构化数据。通常没有公用键可用于连接记录。大规模数据清理和集成过程需要在进行任何数据分析或进一步处理之前完成。虽然记录链接通常被认为是一个有点乏味但必要的步骤，但它揭示了有价值的见解，支持数据可视化，并指导进一步的数据分析方法。在这里，我们重点关注组织实体匹配。我们介绍CompanyName2Vec，一种新的算法来解决公司实体匹配（CEM）使用神经网络模型来学习公司名称语义从招聘广告语料库，而不依赖于任何信息匹配的公司除了它的名字。基于真实世界的数据，我们表明，CompanyName2Vec优于其他评估方法，并解决了CEM的挑战，平均成功率为89.3%。
2022-01-12 cs.DB cs.IR cs.SI
Not All Matches Are Equally Valuable: An Online Experiment of Retention-Focused Recommendation in a Job-Matching Platform
Wantedly, Inc.（Wantedly株式会社）；Hanjuku-kaso Co., Ltd.（Hanju-kaso有限公司）
该研究针对求职匹配平台优化了以留存为核心的推荐方法，通过在线实验验证其可降低用户流失风险，为双边匹配平台的推荐系统设计提供了新方向。
2026-09-03 cs.IR
Semantic Candidate-Job Matching: A Comparative Evaluation of Dense Embedding Models in Hybrid Retrieval
ManpowerGroup Services India Pvt. Ltd.（万宝盛华服务印度私人有限公司）；Indian Institute of Technology, Hyderabad（印度理工学院海得拉巴分校）
本文在混合检索流水线中比较稠密嵌入模型（EmbeddingGemma及MNRL微调版与MPNet），用于职位-候选人匹配，通过批量评估和明确指标范围提供可复现的模型选择依据。
2026-09-22 cs.AI cs.IR
Leveraging Search History for Improving Person-Job Fit
人岗匹配作为在线招聘平台的核心技术，可以通过将职位与合格候选人准确匹配来提高招聘效率。然而，现有的研究主要集中在推荐场景，而忽略了另一个重要的渠道，连接职位与求职者，即搜索。直观地说，搜索历史包含了丰富的用户求职行为，是用户求职意向的重要证据。本文提出了一种新的搜索历史增强的人-职匹配模型SHPJF。为了利用职位/简历中的文本内容和用户的搜索历史记录，我们提出了两个具有不同用途的组件。对于文本匹配部分，我们设计了一个基于BERT的文本编码器，用于捕获简历和职位描述之间的语义交互。对于意图建模组件，我们设计了基于Transformer架构的两种意图建模方法：基于点击序列的意图建模和基于查询文本序列的意图建模。为了捕捉潜在的工作意图，我们进一步提出了一个意图聚类技术，以识别和总结的主要意图从搜索日志。在一个大型真实招聘数据集上的大量实验证明了我们方法的有效性。
2022-03-27 cs.IR
RankPO: Preference Optimization for Job-Talent Matching
Laboratory for AI-Powered Financial Technologies, City University of Hong Kong（香港城市大学人工智能金融技术实验室）
针对职位—人才匹配需兼顾规则情境与文本理解的问题，提出对比学习加 RankPO 偏好微调的两阶段 LLM 框架，在保持规则匹配性能的同时显著提升 AI 偏好一致性。
2025-03-13 cs.AI cs.CL cs.IR
Generative Job Recommendations with Large Language Model
Career Science Lab, BOSS Zhipin（BOSS直聘职业科学实验室）；University of Science and Technology of China（中国科学技术大学）；The Hong Kong University of Science and Technology（香港科技大学）
本文提出GIRL，一种基于大语言模型的生成式职位推荐方法，通过监督微调生成职位描述，并利用PPO强化学习对齐招聘方偏好，无需候选集即可提供个性化职位建议。
2023-07-05 cs.CL cs.IR
A Best-of-Both Approach to Improve Match Predictions and Reciprocal Recommendations for Job Search
针对互惠求职推荐中匹配标签稀疏及双向独立模型误差传播问题，提出融合真实标签与稠密预测的 BoB 伪匹配分数及元模型，并支持个性化权重以提升潜在匹配发现效果。
2024-09-18 cs.IR
Constraint-Aware Conversational Job Recommendation in Code-Mixed Low-Resource Settings
East West University（东西大学）；University of California San Diego（加州大学圣地亚哥分校）
针对低资源代码混合环境下的对话式职位推荐，提出JobCCC基准和W-SCAR排序框架，通过软约束感知避免严格过滤导致的职位误删，在英语和孟加拉语-英语混合语上分别取得37.37%和38.43%的Hit@10。
2026-10-06 cs.IR
HRGraph: Leveraging LLMs for HR Data Knowledge Graphs with Information Propagation-based Job Recommendation
Shahjalal University of Science and Technology（沙贾拉尔科技大学）
本文提出HRGraph框架，利用大语言模型从文档构建HR知识图谱，并结合信息传播与图神经网络实现精准职位匹配、员工推荐和职位分类。
2024-08-24 cs.CL cs.IR cs.IT
Developing an Intelligent Job Recommendation System Using Semantic Retrieval and Explainable AI Techniques
Master of Web Science, Syrian Virtual University, Damascus, Syria（Web科学硕士，叙利亚虚拟大学，大马士革，叙利亚）
提出一种结合TF-IDF、Sentence-BERT语义检索、交叉编码器重排序和可解释性生成的元数据驱动职位推荐系统，在LinkedIn数据集上达到高精度和可解释性。
2026-05-26 cs.AI cs.IR
MODE: Mutual Optimality in Direct Effects of Reciprocal Recommendations in Matching Markets
CyberAgent, Inc.（CyberAgent公司）
本文针对匹配平台的互惠推荐系统，提出MODE方法计算直接效应的相互最优推荐，实验显示其在直接效应最优性、处理速度和预期匹配数上优于现有方法。
2026-08-04 cs.IR
Synapse: Evolving Job-Person Fit with Explainable Two-phase Retrieval and LLM-guided Genetic Resume Optimization
Georgia Institute of Technology（佐治亚理工学院）
Synapse通过双阶段检索和遗传优化提升招聘推荐系统，解决信息不平衡问题，提高推荐精度和透明度，实验显示nDCG@10提升22%。
2026-04-02 cs.IR cs.LG
SkillNER: Mining and Mapping Soft Skills from any Text
University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）；University of Pisa（比萨大学）
在当今的数字世界中，人们越来越关注软技能。一方面，它们促进了公司的创新，但另一方面，它们不太可能很快实现自动化。由于缺乏数据驱动的方法来检索软技能，研究人员难以准确地定量研究软技能。这限制了心理学家和人力资源经理理解人类与数字化之间关系的可能性。本文提出了SkillNER，一种新的数据驱动的方法自动提取软技能的文本。它是一个命名实体识别（NER）系统，使用支持向量机（SVM）对5000多篇科学论文的语料库进行训练。我们开发了这个系统，通过测量我们的方法对不同的训练模型的性能，并与一个心理学家团队一起验证结果。最后，SkillNER在一个真实的案例研究中进行了测试，使用欧洲技能/能力资格和职业的职位描述作为文本来源。该系统能够根据其共享的软技能和基于其共享的职务简介的软技能社区来检测职务简介社区。该案例研究表明，该工具可以自动检索软技能，从一个大的语料库，在一个有效的方式，证明有用的企业，机构和工人。该工具是开放的，可在线使用，以促进软技能研究的定量方法。
2021-07-12 cs.CL cs.IR
Enhancing Talent Search Ranking with Role-Aware Expert Mixtures and LLM-based Fine-Grained Job Descriptions
HKUST (GZ)（香港科技大学（广州））；Alibaba Group（阿里巴巴集团）；HKUST（香港科技大学）；Zhijiang Lab（浙江实验室）；Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳））
本文提出基于大语言模型和角色感知专家混合的方法，提升人才搜索排名效果，通过细粒度职位描述提取和行为建模，提升CTR和CVR，实现招聘效率和成本节约。
2025-10-05 cs.AI cs.IR cs.LG
Tailoring Table Retrieval from a Field-aware Hybrid Matching Perspective
针对表格不同字段具有不同匹配偏好的挑战，提出表格定制混合匹配检索器THYME，从字段感知的混合匹配视角处理表格检索，在NQ-TABLES和OTT-QA基准上显著优于最先进基线。
2025-03-04 cs.IR
PairSem: LLM-Guided Pairwise Semantic Matching for Scientific Document Retrieval
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Korea University（高丽大学）；National Institutes of Health（美国国立卫生研究院）；Pohang University of Science and Technology（浦项科技大学）
PairSem通过实体-属性对捕捉科学概念的多面性，提升科学文档检索的精度和上下文感知能力。
2026-01-25 cs.IR
Skill matching at scale: freelancer-project alignment for efficient multilingual candidate retrieval
Malt
本文提出一种基于预训练多语言语言模型和自定义Transformer架构的神经检索器，利用对比损失训练，实现大规模多语言环境下自由职业者与项目的高效技能匹配，优于传统方法。
2024-09-19 cs.CL cs.IR cs.LG
PJB: A Reasoning-Aware Benchmark for Person-Job Retrieval
CareerInternational Research Team（CareerInternational研究团队）
PJB基准通过引入领域家族和推理类型标签，揭示人-职位检索系统在不同行业中的性能差异，指出模块升级和重排序对性能的影响不同，强调其在招聘检索系统中的诊断价值。
2026-03-18 cs.CL cs.IR
Approximate Query Matching for Image Retrieval
Georgia Tech（佐治亚理工学院）
传统的图像识别涉及识别具有单个对象焦点的肖像类型图像中的关键对象（ILSVRC，AlexNet和VGG）。最近的方法考虑密集图像识别-用适当的边界框分割图像并在这些边界框内执行图像识别（语义分割）。Visual Genome数据集[5]试图将这些不同的方法连接到每个子任务的内聚数据集-限界框生成，图像识别，字幕和一个新的操作：场景图生成。我们的重点是使用这样的场景图执行图像数据库上的图形搜索，从整体上检索图像的搜索标准的基础上。我们开发了一种方法来存储场景图和元数据在图形数据库（使用Neo4J），并执行快速近似检索的图像的基础上的图形搜索查询。我们处理比单一对象搜索更复杂的查询，例如“吃蛋糕的女孩”检索包含指定关系以及变化的图像。
2018-03-14 cs.CV cs.IR
GeoSearch: Augmenting Worldwide Geolocalization with Web-Scale Reverse Image Search and Image Matching
University of Science, VNU-HCM（越南国家科学大学）
本文提出GeoSearch框架，通过整合网络级反向图像搜索与图像匹配技术，提升全球图像地理定位的准确性，实验表明其在考虑泄漏因素下的优越性。
2026-04-28 cs.CV cs.IR
Search Is Not Retrieval: Decoupling Semantic Matching from Contextual Assembly in RAG
Services AI Research Group, Dell Technologies（Dell Technologies人工智能服务研究组）
针对现有RAG检索系统混淆相关信息查找与推理上下文供给的问题，提出SINR双层解耦框架，在无额外开销下提升检索性能，为下一代检索增强AI系统提供基础。
2025-11-12 cs.AI cs.IR
Beyond the Final Embedding: Retrieving Memories from Token-Level Evidence
Southeast University（东南大学）；MemoraX AI；Leiden University（莱顿大学）；University of Sydney（悉尼大学）
该研究针对记忆增强型助手的检索问题，提出无需额外训练的稀疏词元匹配方法，结合可选低秩查询适配器，在多基准上提升检索效果，进而提高问答准确率。
2026-11-06 cs.CL cs.IR
COIL: Revisit Exact Lexical Match in Information Retrieval with Contextualized Inverted List
Language Technologies Institute（语言技术研究所）；Carnegie Mellon University（卡内基梅隆大学）
经典的信息检索系统如BM 25依赖于精确的词汇匹配，并使用倒排表索引来高效地执行搜索。最近的神经IR模型转向软语义匹配所有的查询文档术语，但他们失去了精确匹配系统的计算效率。本文介绍了COIL，一个上下文精确匹配检索架构，带来语义词汇匹配。COIL评分是基于重叠的查询文档令牌的上下文表示。新架构将上下文化的标记表示存储在倒排列表中，将精确匹配的效率和深层语言模型的表示能力结合在一起。我们的实验结果表明，COIL优于经典的词汇检索和国家的最先进的深度LM检索相似或更小的延迟。
2021-04-15 cs.CL cs.IR
Ontology Matching with Large Language Models and Prioritized Depth-First Search
University of Santiago de Compostela（圣地亚哥德孔波斯特拉大学）
提出MILA方法，将检索-识别-提示流水线嵌入优先深度优先搜索，高效准确识别本体语义对应，在生物医学挑战中四项无监督任务取得最高F值，性能优于最先进系统达17%，且显著降低大语言模型请求。
2025-03-27 cs.CL cs.IR
