低资源混合语言的约束感知会话职位推荐

对话式工作推荐需要对语义相关性、用户偏好、资格要求以及现实世界职业讨论中使用的嘈杂语言进行联合建模。这些挑战在资源匮乏、代码混合的环境中尤其明显，在这些环境中，严格的约束匹配可能会错误地消除其他合适的工作。我们推出了 JobCCC，这是孟加拉国的一个对话式工作推荐基准，包含来自区域 Reddit 社区的 22,410 个结构化工作发布和 988 个多轮职业建议对话。每个对话都注释有不断变化的搜索者偏好，并与真实工作相关联，并以语义等效的英语和罗马化孟加拉英语变体进行评估。我们将稀疏 BM25 检索、多语言密集检索及其硬约束过滤对应项与加权软约束感知排名​​ (W-SCAR) 进行比较，W-SCAR 是我们的多标准排名框架，该框架结合了词汇相关性、语义相关性以及经验、位置、教育和薪资的分级实用程序，使用理想解决方案相似性排序偏好技术 (TOPSIS)。实验表明，严格的过滤始终会降低检索性能，因为不完整的提取和脆弱的属性匹配会不可逆转地删除相关作业。 W-SCAR 避免了破坏性剪枝，并在两种语言条件下实现了更平衡的性能，在英语和孟语上分别获得了 37.37% 和 38.43% 的 Hit@10。代码和数据集分别可在 \href{https://github.com/M-Jawad01/Conversational-Job-Recommendation-System-LLM}{GitHub} 和 \href{https://huggingface.co/datasets/Armans33115/JobCCC-Conversational-Job-Recommendation-Bangladesh}{Hugging Face} 上公开获取。