论文
去混淆偏好与资质：基于大语言模型职位推荐的约束式双视角推理
De-conflating Preference and Qualification: Constrained Dual-Perspective Reasoning for Job Recommendation with Large Language Models
摘要
职业职位推荐涉及复杂的二部图匹配过程，必须调和候选人的主观偏好与雇主的客观资质。虽然大语言模型（LLM）适合建模简历与职位描述的丰富语义，但现有范式常把这两个决策维度压缩为单一交互信号，在招聘漏斗删失下产生混淆的监督，并限制策略的可控性。为应对这些挑战，我们提出JobRec，一个通过约束式双视角推理来解耦偏好与资质的生成式职位推荐框架。JobRec引入统一语义对齐模式（Unified Semantic Alignment Schema），将候选人与职位属性对齐到结构化语义层；并引入两阶段协同训练策略，学习解耦的专家网络分别推断偏好与资质。基于这些专家，基于拉格朗日的策略对齐模块在明确的资格要求下优化推荐，实现可控的权衡。为缓解数据稀缺，我们构建了经专家精炼的合成数据集。实验表明，JobRec持续超越强基线，并为策略感知的职业匹配提供更好的可控性。
