通过大语言模型实现职位稳健的人才推荐

对于许多行业来说，人才招聘是一个至关重要但成本高昂的过程，招聘成本高、招聘周期长。由于大语言模型（LLM）卓越的语言理解能力，现有的人才推荐系统越来越多地采用它。然而，大多数先前的方法遵循逐点范式，这需要 LLM 重复处理一些文本，并且无法捕获列表中候选者之间的关系，从而导致更高的词元消耗和次优推荐。此外，LLM在回答多项选择题和处理多个长文档时表现出位置偏差和中间迷失问题。为了解决这些问题，我们引入了一种隐式策略，利用 LLM 的潜在输出进行推荐任务，并提出 L3TR，这是一种使用 LLM 进行列表式人才推荐的新颖框架。在此框架中，我们提出了块注意机制和本地位置编码方法，以增强文档间处理并减轻位置偏差和并发词元偏差问题。我们还引入了 ID 采样方法来解决训练阶段和推理阶段候选集大小之间的不一致问题。我们设计了评估方法来检测位置偏差和词元偏差以及 无需训练 去偏差方法。对两个真实世界数据集的广泛实验验证了 L3TR 的有效性，显示出相对于现有基线的一致改进。