Distilling Large Language Models using Skill-Occupation Graph Context for HR-Related Tasks
Megagon Labs;Indeed
本文提出简历-职位描述基准RJDB,通过技能-职业图蒸馏大语言模型知识,训练小型模型,使其在人力资源任务上达到接近或优于GPT-4的性能。
2023-11-10 cs.CL cs.LG
MLAR: Multi-layer Large Language Model-based Robotic Process Automation Applicant Tracking
Computer Science Dept. MSA University(计算机科学系MSA大学)
本文提出 MLAR,一种基于多层大型语言模型的 RPA 框架,通过职位特征提取、简历解析和语义匹配三层架构自动化招聘流程,在大批量处理任务中显著优于 UiPath 等主流平台。
2025-07-14 cs.CL
STEP: Career-Path Recommendation via Temporal and Educational Trajectory Modeling
AIDA-IDLab, Ghent University(AIDA-ID实验室,根特大学)
研究利用大语言模型从简历获取职业轨迹数据,提出STEP职业路径推荐系统,通过集成时间衰减GRU、FiLM及注意力序列池化预测下一份工作,引入ROUTE改进职业表示,在多数据集评估中优于基准,还公开了数据集和代码。
2026-07-16 cs.CL
Rethinking Skill Extraction in the Job Market Domain using Large Language Models
EPFL(洛桑联邦理工学院);IT University of Copenhagen(哥本哈根信息技术大学)
本文针对就业市场技能抽取任务,提出利用大型语言模型的上下文学习克服传统BIO监督模型的泛化局限,并在6个数据集上验证其能更好处理复杂技能提及。
2024-02-06 cs.CL
An Efficient Long-Context Ranking Architecture With Calibrated LLM Distillation: Application to Person-Job Fit
Malt
本文提出一种基于新型晚期交叉注意力架构的高效长上下文排序模型,通过校准的LLM蒸馏技术提升人-职位匹配的准确性和可解释性。
2026-01-16 cs.CL cs.IR cs.LG
JobFair: A Framework for Benchmarking Gender Hiring Bias in Large Language Models
Holistic AI(霍利斯提克人工智能公司);University College London(伦敦大学学院);Emory University(埃默里大学);University of California, Berkeley(加州大学伯克利分校)
本文提出JobFair框架,基于劳动经济学等构建分层招聘偏见分类与严谨指标,分析10种先进LLMs的性别招聘偏见,发现多数存在对男性的反向偏见且多不随简历内容变化,还提供演示与数据集支持推广应用。
2024-09-30 cs.AI cs.CL cs.CY
Tec-Habilidad: Skill Classification for Bridging Education and Employment
针对西班牙语求职申请中技能识别与分类缺乏全面数据集的问题,本文开发了西班牙语技能提取与分类数据集,提供区分知识、技能和能力的标注方法,并给出深度学习基线以推进稳健解决方案。
2025-03-05 cs.CL
Gender, Race, and Intersectional Bias in Resume Screening via Language Model Retrieval
University of Washington(华盛顿大学);Salzburg University(萨尔茨堡大学)
本研究通过模拟求职者选拔的文档检索框架,发现Massive Text Embedding(MTE)模型在简历筛选中存在性别、种族及交叉性偏见,偏向白人姓名,黑人男性在所有案例中均受不利影响,为相关AI工具的公平性改进提供了依据。
2026-09-01 cs.AI cs.CL cs.CY
Bias in the Tails: How Name-conditioned Evaluative Framing in Resume Summaries Destabilizes LLM-based Hiring
University of Maryland(马里兰大学)
研究探讨了LLM生成的简历摘要中姓名条件下的评价框架如何导致招聘决策的不稳定性,通过大规模实验发现,评价语言在分布极值处存在细微差异,尤其在开源模型中更为明显。
2026-09-09 cs.AI cs.CL cs.CY
Competence-Preserving Resume Perturbations Expose Presentation Sensitivity in LLM Screening
Macquarie University(麦考瑞大学);The University of Melbourne(墨尔本大学)
本研究通过受控简历扰动审计发现,LLM在简历筛选中存在呈现敏感性,即使能力证据不变,决策仍可能大幅翻转,呼吁评估应同时关注有效性与稳定性。
2026-09-16 cs.AI cs.CL
AI Hiring with LLMs: A Context-Aware and Explainable Multi-Agent Framework for Resume Screening
Imperial College London(伦敦帝国理工学院);The Chinese University of Hong Kong(香港中文大学);The University of Hong Kong(香港大学);Wedon Education Technologies(韦登教育科技);Brest Business School(布雷斯特商学院)
本文提出含四类智能体并在评估器中集成 RAG 的 LLM 多智能体简历筛选框架,利用外部招聘知识实现上下文相关评估;与 HR 评分对比表明其可提升招聘自动化效率与可扩展性。
2025-05-13 cs.AI cs.CL
Fairness Beyond Anonymization? Demographic Leakage in German LLM-Generated Resumes
LMU Munich(慕尼黑大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心)
本研究审计德语LLM生成简历中的人口统计泄露,发现即使经匿名化和性别中性化处理,分类器仍能通过语义等价中性术语的细微差异区分性别,质疑匿名化公平干预的有效性。
2026-09-22 cs.CL cs.LG
Small Changes, Large Consequences: Analyzing the Allocational Fairness of LLMs in Hiring Contexts
UC Irvine(uci)
本研究针对招聘场景下大语言模型的分配公平性问题,通过简历摘要和求职者排名任务,结合带扰动的合成简历数据集实验,发现模型存在人口群体相关偏见,且检索阶段的偏见问题尤为突出。
2025-09-04 cs.CL
Are Emily and Greg Still More Employable than Lakisha and Jamal? Investigating Algorithmic Hiring Bias in the Era of ChatGPT
New York University(纽约大学);University of New South Wales Sydney(悉尼新南威尔士大学);University of Calgary(卡尔加里大学)
本研究复现经典招聘偏见实验,评估GPT-3.5、Bard等前沿大语言模型在简历匹配、简历摘要任务中的多维度偏见,发现其种族和性别维度表现稳健,怀孕状态、政治派别维度存在差异,并通过对比输入解码揭示偏见来源。
2023-10-08 cs.AI cs.CL cs.LG
Gender and Positional Biases in LLM-Based Hiring Decisions: Evidence from Comparative CV/Résumé Evaluations
本研究通过22个LLM的简历比较实验,发现模型普遍偏好女性候选人,并存在显著的位置偏差,提示在高风险决策中需谨慎使用LLM。
2025-05-27 cs.AI cs.CL cs.CY
The Silicon Ceiling: Auditing GPT's Race and Gender Biases in Hiring
University of Pennsylvania(宾夕法尼亚大学);Temple University(天普大学)
本研究受传统简历审计启发,对 OpenAI 的 GPT-3.5 在招聘中的种族与性别偏见进行 AI 审计,发现该模型在简历评估和生成中均表现出基于刻板印象的偏见。
2024-11-15 cs.CL cs.CY
Signal or Noise? Evaluating Large Language Models in Resume Screening Across Contextual Variations and Human Expert Benchmarks
Indian Institute of Technology Jodhpur(焦特布尔印度理工学院)
本研究评估了Claude、GPT和Gemini在简历筛选中的表现,发现LLMs虽能提供可解释模式,但在上下文适应性和评估结果上与人类专家存在显著差异,为自动化招聘部署提供了参考。
2025-07-08 cs.CL econ.GN q-fin.EC
MockLLM: A Multi-Agent Behavior Collaboration Framework for Online Job Seeking and Recruiting
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学人工智能学院);Engineering Research Center of Next-Generation Intelligent Search and Recommendation(下一代智能搜索与推荐工程研究中心);University of Chinese Academy of Sciences(中国科学院大学);Nanbeige Lab, BOSS Zhipin(Boss Zhipin纳米贝实验室);King Abdullah University of Science and Technology(卡布斯科学技术大学);School of Artificial Intelligence, Wuhan University(武汉大学人工智能学院)
本文提出MockLLM多智能体框架,通过模拟面试生成与双向评估实现人岗动态匹配,并引入反思记忆与动态策略优化,在真实数据上验证了其准确性、可扩展性与适应性优势。
2025-06-26 cs.AI cs.CL
Competence-Level Prediction and Resume & Job Description Matching Using Context-Aware Transformer Models
Emory University(埃默里大学);Emory Healthcare(埃默里医疗)
本文提出了一个全面的研究,简历分类,以减少所需的时间和劳动力,以筛选大量的应用程序显着,同时提高了合适的候选人的选择。从24,933份职位申请中提取了6,492份简历,这些职位被指定为临床研究协调员(CRC)的四个经验级别。每个简历都由专家通过几轮三重注释手动注释到其最合适的CRC位置,以建立指南。因此,注释者间一致性达到了61%的高Kappa评分。给定这个数据集,新的基于transformer的分类模型被开发用于两个任务:第一个任务获取简历并将其分类到CRC级别(T1),第二个任务获取简历和职位描述以应用并预测应用程序是否适合工作T2。我们最好的模型,使用节编码和多头注意力解码给出的结果为73.3%的T1和79.2%的T2。我们的分析表明,预测误差主要是在相邻的CRC水平,这是很难区分,即使是专家,这意味着我们的模型在现实的人力资源平台的实用价值。
2020-11-05 cs.CL
Machine Learned Resume-Job Matching Solution
University of Electronic Science and Technology of China(电子科技大学)
现在通过在线匹配引擎进行求职是非常突出的,对求职者和雇主都有好处。但是传统引擎的解决方案没有理解不同简历的语义含义,已经跟不上机器学习技术和计算能力令人难以置信的变化。这些解决方案通常由手动规则和预定义的关键字权重驱动,这导致低效和令人沮丧的搜索体验。为此,我们提出了一种具有丰富功能和深度学习方法的机器学习解决方案。我们的解决方案包括三个可配置的模块,可以在几乎没有限制的情况下插入。即无监督特征提取、基分类器训练和集成方法学习。在我们的解决方案中,而不是使用手动规则,机器学习的方法来自动检测位置的语义相似性。然后选择四个有竞争力的“浅”估计和“深”估计。最后,集成的方法,袋这些估计和聚合他们的个人预测,形成一个最终的预测进行了验证。对4.7万份简历的实验结果表明,该方法可以显著提高对当前职位、薪酬、学历和公司规模的预测精度。
2016-07-26 cs.CL
LLM4Jobs: Unsupervised occupation extraction and standardization leveraging Large Language Models
Ghent University(根特大学);IDLAB(IDLab实验室)
本文提出LLM4Jobs,一种利用大型语言模型的无监督职业抽取与标准化方法,在合成与真实数据集上超越现有无监督基准,并贡献了可复用的数据集。
2023-09-19 cs.AI cs.CL
JobHop v2: A Large-Scale Career Trajectory Dataset from Unstructured Resumes
AIDA-IDLab, Department of Electronics and Information Systems, Ghent University, Ghent, Belgium(AIDA-ID实验室,电子与信息系统系,根特大学,根特,比利时);AIDA-IDLab, Department of Electronics(AIDA-ID实验室,电子系);Information Systems, Ghent University, Ghent, Belgium(信息系统,根特大学,根特,比利时)
该研究提出JobHop v2数据集,通过端到端大语言模型从大量简历中提取职业轨迹。它扩大了覆盖范围与注释丰富度,引入新提取管道、模式及评估协议,最好提取器接近注释者间一致性上限,数据集和代码公开助力职业轨迹研究。
2026-07-16 cs.CL
Smart-Hiring: An Explainable end-to-end Pipeline for CV Information Extraction and Job Matching
ATM Mobilis Algiers, Algeria(阿尔及利亚阿尔梅里尔ATM Mobilis)
本文提出Smart-Hiring,一个端到端NLP流水线,通过文档解析、命名实体识别和上下文文本嵌入技术,从非结构化简历中提取结构化信息,并在共享向量空间中计算候选人与职位的相似度,实现了高准确率、高可解释性的自动化简历筛选与职位匹配。
2025-11-04 cs.CL
Leveraging Knowledge Graphs for Orphan Entity Allocation in Resume Processing
COEP Technological University(COEP科技大学)
本研究提出一种利用知识图谱进行简历处理中孤立实体分配的新方法,通过集成关联挖掘、命名实体识别等技术,有效提升职位筛选效率与候选人匹配准确性。
2023-10-21 cs.CL
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
Better Together: Quantifying the Benefits of AI-Assisted Recruitment
Stanford University(斯坦福大学);University of Southern California(南加州大学)
该研究通过两项实地实验发现,AI辅助招聘可提升候选人最终面试通过率,在简历信息不足的初级候选人中效果更显著,但存在75%的候选人未完成面试的问题,其将筛选成本从企业转移至申请人。
2026-08-10 cs.CL cs.CY
CareerBERT: Matching Resumes to ESCO Jobs in a Shared Embedding Space for Generic Job Recommendations
提出CareerBERT模型,结合ESCO分类与EURES招聘广告构建语料库,在共享嵌入空间中利用简历等非结构化文本数据实现通用职位推荐,两步评估表明其超越现有方法并获专家认可。
2025-03-03 cs.CL cs.LG
Mitigating Fabrication in Multi-Stage LLM Pipelines for Hiring: An Empirical Evaluation of Prompt Guardrails and Human-in-the-Loop Checkpoints
Lemmanode LLC(莱曼诺德有限责任公司)
本研究针对招聘领域多阶段LLM流水线的造假问题,实证评估了提示护栏与人机交互检查点两种缓解措施,发现二者互补且需结合使用,仅靠模型进展无法解决该问题。
2026-09-18 cs.CL cs.CY cs.HC
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
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
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
EZInterviewer: To Improve Job Interview Performance with Mock Interview Generator
Peking University(北京大学);KAUST(阿卜杜拉国王科技大学);BOSS Zhipin(BOSS直聘);Renmin University of China(中国人民大学)
面试一直被认为是招聘中最关键的步骤之一。为了充分准备与招聘人员的面试,求职者通常会相互进行模拟面试。然而,这种与同行的模拟面试通常与真实的面试体验相去甚远:模拟面试官不能保证专业,也不太可能表现得像真正的面试官。由于近年来在线招聘的快速增长,招聘人员倾向于在线面试,这使得从真实的面试者那里收集真实的面试数据成为可能。在本文中,我们提出了一个新的应用程序名为EZ面试官,它的目的是从在线面试数据中学习,并提供模拟面试服务的求职者。这项任务在两个方面具有挑战性:(1)现在可以获得面试数据,但资源仍然很少;(2)要生成有意义和相关的面试对话,需要对简历和职位描述进行透彻的理解。为了应对资源不足的挑战,EZInterviewer在一组非常小的面试对话上进行了培训。关键思想是通过分离知识选择器和对话生成器来减少依赖于面试对话框的参数数量,以便大多数参数可以使用未接地的对话框以及不低资源的简历数据进行训练。在一个真实的面试对话集上的测试结果表明,我们在生成模拟面试方面取得了很好的效果。在EZInterviewer的帮助下,我们希望让求职者更容易进行模拟面试练习。
2023-01-03 cs.CL
Learning Effective Representations for Person-Job Fit by Feature Fusion
Ping An HR-X Laboratory(平安HR-X实验室);National University of Singapore(新加坡国立大学)
人岗匹配是利用机器学习算法,将在线招聘平台上的候选人和职位进行匹配。匹配算法的有效性在很大程度上取决于候选人和职位的学习表示。在本文中,我们建议通过特征融合来学习候选人和职位的全面有效的表示。首先,除了应用深度学习模型来处理简历和职位中的自由文本之外,我们还从整个简历(和职位)中提取语义实体,然后为它们学习特征。通过融合来自自由文本和实体的特征,我们得到了简历和职位信息的全面表示。第二,然而,候选人或工作的一些信息可能不会在简历或工作职位中明确捕获。尽管如此,包括接受和拒绝案例在内的历史申请可以揭示候选人或招聘人员的一些隐含意图。因此,我们建议通过使用LSTM处理历史应用程序来学习隐式意图的表示。最后,通过对外显和内隐意图表征的融合,得到了一个更全面、更有效的人-职匹配表征。通过对10个月的实际数据进行实验,结果表明,该方法的性能明显优于现有方法。消融研究证实了融合表示的每个组件的贡献。提取的语义实体有助于解释匹配结果在案例研究。
2020-06-12 cs.CL cs.IR cs.LG
Career Path Prediction using Resume Representation Learning and Skill-based Matching
Ghent University(根特大学);imec(比利时微电子研究中心)
提出CareerBERT表示学习方法并构建带ESCO标签的数据集,通过基于技能与文本的互补混合模型实现最优职业路径预测。
2023-10-24 cs.AI cs.CL
JobHam-place with smart recommend job options and candidate filtering options
University of Leicester(莱斯特大学)
本项目开发了智能求职系统JobHam-place,集成工作推荐与简历排名功能,基于Bert的Job2Skill和CV2Skill模型提取关键词,并利用TFIDF算法实现技能匹配与排名,同时提供仪表板等高级功能以提升用户体验。
2023-03-31 cs.CL
Attacks against Ranking Algorithms with Text Embeddings: a Case Study on Recruitment Algorithms
University of Texas at Arlington(德克萨斯大学阿灵顿分校)
最近的一些研究表明,文本分类任务容易受到中毒和逃避攻击。然而,很少有工作调查攻击决策算法,使用文本嵌入,其输出是一个排名。在本文中,我们专注于招聘过程中的排名算法,采用文本嵌入排名申请人的简历相比,职位描述。我们展示了白盒和黑盒攻击,识别文本项,根据其位置在嵌入空间中,有显着的贡献,在增加简历和职位描述之间的相似性得分。然后,对手使用这些文本项来提高其简历的排名。我们测试了使用从通用句子编码器(USE)和词频逆文档频率(TF IDF)向量获得的相似性得分的招聘算法。我们的研究结果表明,在这两种对抗性设置中,平均而言,攻击者是成功的。我们还发现,与USE相比,对TF IDF的攻击更成功。
2021-08-12 cs.CL 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
Towards Explainable Job Title Matching: Leveraging Semantic Textual Relatedness and Knowledge Graphs
ADAPT Centre, Munster Technological University, Cork, Ireland(ADAPT中心,穆斯林科技学院,科克,爱尔兰)
本研究提出结合密集嵌入与知识图谱的自监督混合架构,通过分层评估语义文本相关性,在职位匹配中实现可解释性并降低高相关区域RMSE达25%。
2025-09-11 cs.AI cs.CL