nogawanogawa
commented
2 years ago 背景
LikedInの中でTalent Solution事業は年間の65%の売上を締める事業であり、LinkedIn RecruiterというプロダクトがTalent検索・推薦は検索クエリや求人内容を元に採用目的のリクルータ・採用担当者と潜在的な候補者とをマッチさせる役割を担っている。
この目標は、何億もの構造化された候補者プロフィールから、最も関連性の高い候補者をランク付けすることである。
リクルータは検索時に”machine learning”と入力した際には、ソフトウェアエンジニアというタイトルと、機械学習というスキルに標準化されてクエリが行われる。
そして検索結果に対して、
- プロフィール閲覧
- ブックマーク
- 採用募集にプロフィールを保存
- messageを送信
というアクションを行っている。 人材検索領域では、求人企業と候補者の間で相互の関心が必要になり、採用担当者が発行したクエリに候補者が関連しているだけでなく、候補者がその求人に対して興味を持つことを同時に満たすことが求められる。
そこで、LinkedInではリクルータからのメッセージにポジティブな返答をしたときに「inMail Accept」というイベントを定義し、リクルータ製品の主要なビジネス指標はinMail Acceptに基づいていたりする。 今回の論文でも、ランキング@kにおけるinMail Acceptが発生した割合を指標としている。
現状のモデルの課題認識
- GBDTベースの問題
- 離散的特徴のembeddingを使用することがあるが、一般にそれは特徴とモデルの合同学習が必要になるが、木モデルは特徴そのものを学習することを想定していない
- スキル、会社、メンバ、など、非常に素な特徴空間では木モデルはうまく動かない
- 新しい損失関数を使用したり、目的関数を他の項で補強したりすることはGBDTモデルで行うことは容易ではない
- 検索クエリの多様性
- LinkedInで標準化されているスキルだけでも数万あるが、別のエンティティであっても関連することが考えられる
- 構文的特徴でどうにかするのではなく低次元のEmbeddingを使用して実際の意味を表現するほうが効果的と考えられる
論文URL
https://arxiv.org/abs/1809.06473
著者
Rohan Ramanath, Hakan Inan, Gungor Polatkan, Bo Hu, Qi Guo, Cagri Ozcaglar, Xianren Wu, Krishnaram Kenthapadi, Sahin Cem Geyik
会議
CIKM 2018
背景
現状のモデルの課題認識
目的
アプローチ