Closed nogawanogawa closed 5 months ago
LinkedInは、毎週6500万人以上のユニークでアクティブな求職者と、数千万件の無料(無記名)および有料(プロモーション)の求人情報を含む経済的機会を結んでいる。
ユーザーの50%は10分以内に再アクセスしている。
現状の求人検索システムは下記の様になっている
inkedInの求人検索と推薦システムを強化
プロモーションのフローについては、応募者の質を担保してリクルータに価値を提供することを目的としている。 また、バジェットをコントロールしながら適切な数の応募者が出るようにしないといけない。
これを解決するためにグラフを使っている。
SeekerとJobの間のセグメントをつなげたグラフを構築し、属性間の相互作用などを確立する。
求人の職種とユーザーのジョブタイトルの間の関係性を推定することでリンクの有無を推定する
Embedding based retrieval(EBR)のためのEmbeddingについても改善した。
また、カリキュラムラーニング(ちょっとずつhard negativeを増やしていく)方法も取り入れたとのこと
two towerのアーキテクチャはwide and deepモデルを使っている模様
テキストで絞り込んでからembeddingで更に絞り込むことで15M -> 1Kにcandidateを絞るらしい
targetingによるrecall、FP評価
オフラインでは既存の手法と同程度ながら、モデルサイズは非常に軽量(L1 Logistic) オンラインでは15%のエンゲージメント / buggetを達成
オフラインでembeddingによるKNNのrecallを調べた結果。ちゃんとrecallがあがってる。
検索においては、検索成功セッションが相対的に大幅に増加し、+2.37%増加した。さらに、求人への応募も+1.45%増加しました。
論文URL
https://arxiv.org/abs/2402.13435
著者
Jianqiang Shen, Yuchin Juan, Shaobo Zhang, Ping Liu, Wen Pu, Sriram Vasudevan, Qingquan Song, Fedor Borisyuk, Kay Qianqi Shen, Haichao Wei, Yunxiang Ren, Yeou S. Chiou, Sicong Kuang, Yuan Yin, Ben Zheng, Muchen Wu, Shaghayegh Gharghabi, Xiaoqing Wang, Huichao Xue, Qi Guo, Daniel Hewlett, Luke Simon, Liangjie Hong, Wenjing Zhang
会議
KDD 2024 (予定)
背景
LinkedInは、毎週6500万人以上のユニークでアクティブな求職者と、数千万件の無料(無記名)および有料(プロモーション)の求人情報を含む経済的機会を結んでいる。
ユーザーの50%は10分以内に再アクセスしている。
現状の求人検索システムは下記の様になっている
目的
linkedInの求人検索と推薦システムを強化
アプローチ
TWO TOWER
two towerのアーキテクチャはwide and deepモデルを使っている模様
実装
テキストで絞り込んでからembeddingで更に絞り込むことで15M -> 1Kにcandidateを絞るらしい
ひとことメモ
Linkedinの話