Closed nogawanogawa closed 2 months ago
LinkedInでは、9億人以上の会員が登録し、2023年の第1四半期までに毎秒90件の求人が掲載されている。これらに対して、Person Job Fit(ユーザーと求人を紐づけ)は採用・求職における重要なテーマになる。
これまで、過去の応募状況やコンテンツ情報を基にPerson Job Fitを推定することは行われていたが、プロフェッショナル・ネットワークと呼ばれるソーシャルなつながりは利用されてこなかった
(とある調査によれば80%のユーザーがプロフェッショナル・ネットワークを用いて仕事をみつけ、70%がコネクションを通じて直接仕事の機会を得ているらしい)
想定しているグラフデータはこんな感じで、5種類のエンティティと9種類のリレーションで構成されている
加えて、2つのメタパス(特殊なパス)が決められていて、
が定められている
事前学習にはリンクレベルの事前学習タスクを解く。 WHINから部分グラフをサンプリングし、ミニバッチを作成する。
source nodeを決め、そこからk hop先までのエンティティを取得、その後直接 + メタパスを含めたサブグラフを構成している。
更に、期待されたrelationにないエンティティを負例としてサンプリングする。 この中から、2つのエンティティ間のリンクの存在を予測するタスクをencoder-decoder モデルで学習する
embeddingの初期値は各エンティティのテキストコンテンツに関して、bertによってembeddingを取得したもの(平均)としている
ネットワークにはノイズも多い。 それに対応するため、学習にはマルチヘッドアテンションを利用する。
J0とm0の間のfitを予測するために、relationがあるユーザー1, 2,も取得し、更に保持するスキル0〜2も取得する。 各ユーザーの学習済み + テキストembeddingに対して、スキルを基にしたattentionを適用させる。 これを繰り返し、得られたユーザー0のembeddingの平均をMLPの入力に使用する。
ちゃんとスキルも分けられているっぽい
論文URL
https://arxiv.org/pdf/2401.00010
著者
Hao Chen, Lun Du, Yuxuan Lu, Qiang Fu, Xu Chen, Shi Han, Yanbin Kang, Guangming Lu, Zi Li
会議
WSDM 2024
背景
LinkedInでは、9億人以上の会員が登録し、2023年の第1四半期までに毎秒90件の求人が掲載されている。これらに対して、Person Job Fit(ユーザーと求人を紐づけ)は採用・求職における重要なテーマになる。
これまで、過去の応募状況やコンテンツ情報を基にPerson Job Fitを推定することは行われていたが、プロフェッショナル・ネットワークと呼ばれるソーシャルなつながりは利用されてこなかった
(とある調査によれば80%のユーザーがプロフェッショナル・ネットワークを用いて仕事をみつけ、70%がコネクションを通じて直接仕事の機会を得ているらしい)
目的
アプローチ
ひとことメモ