通过类别感知 MoE 和基于 LLM 的数据增强增强在线招聘

人员与工作契合度 (PJF) 是在线招聘的重要组成部分。现有的方法面临着一些挑战，特别是在处理低质量的职位描述和类似的候选人职位对方面，这会损害模型的性能。为了应对这些挑战，本文提出了一种基于 大语言模型 (LLM) 的方法，该方法采用两种新技术：(1) 基于 LLM 的数据增强，它通过利用思想链 (COT) 提示来完善和重写低质量的职位描述；(2) 类别感知专家混合 (MoE)，帮助识别相似的候选人职位对。该 MoE 模块结合了类别嵌入，可以动态地为专家分配权重，并为类似的候选人工作对学习更多可区分的模式。我们在招聘平台上进行线下评估和在线 A/B 测试。我们的方法相对于现有方法，AUC 提高了 2.40%，GAUC 提高了 7.46%，在线测试中点击转化率（CTCVR）提高了 19.4%，节省了数百万元的外部猎头费用。