[論文レビュー] Learning to Match Jobs with Resumes from Sparse Interaction Data using Multi-View Co-Teaching Network

Shuqing Bian, Xu Chen+6 more|arXiv (Cornell University)|Sep 25, 2020

Advanced Graph Neural Networks参考文献 30被引用数 5

ひとこと要約

本稿では、テキストベースのマッチングモデルと関係ベースのマッチングモデルを統合することで、疎でノイズの多い相互作用データ下でもジョブ・リュームマッチングを向上させるマルチビュー相互学習ネットワークを提案する。表現の共有と相互学習によるノイズ除去により、モデルのロバスト性が向上し、ベンチマークデータセットで最先端の性能を達成する。

ABSTRACT

With the ever-increasing growth of online recruitment data, job-resume matching has become an important task to automatically match jobs with suitable resumes. This task is typically casted as a supervised text matching problem. Supervised learning is powerful when the labeled data is sufficient. However, on online recruitment platforms, job-resume interaction data is sparse and noisy, which affects the performance of job-resume match algorithms. To alleviate these problems, in this paper, we propose a novel multi-view co-teaching network from sparse interaction data for job-resume matching. Our network consists of two major components, namely text-based matching model and relation-based matching model. The two parts capture semantic compatibility in two different views, and complement each other. In order to address the challenges from sparse and noisy data, we design two specific strategies to combine the two components. First, two components share the learned parameters or representations, so that the original representations of each component can be enhanced. More importantly, we adopt a co-teaching mechanism to reduce the influence of noise in training data. The core idea is to let the two components help each other by selecting more reliable training instances. The two strategies focus on representation enhancement and data enhancement, respectively. Compared with pure text-based matching models, the proposed approach is able to learn better data representations from limited or even sparse interaction data, which is more resistible to noise in training data. Experiment results have demonstrated that our model is able to outperform state-of-the-art methods for job-resume matching.

研究の動機と目的

• オンライン求人プラットフォームにおける疎でノイズの多いジョブ・リューム相互作用データの課題に対処する。
• ラベル付き相互作用データが限られたり信頼性が低い状況でのマッチング性能を向上させる。
• ジョブ・リュームグラフからの意味的テキストマッチングと関係構造を統合する統一モデルを構築する。
• 共通学習と表現強化戦略により、ノイズの多いネガティブサンプルの影響を低減する。

提案手法

• テキストベースのマッチングモデルと関係ベースのマッチングモデルの2本のブランチを持つマルチビュー相互学習ネットワークを提案する。
• 2つのモデル間で学習された表現を共有することで、表現の相互適応により特徴学習を強化する。
• 各モデルが相手の予測に基づいて信頼性の高い学習インスタンスを選択する共通学習メカニズムを実装し、ノイズの影響を低減する。
• 再重み付けおよびフィルタリング戦略（式12および式14を介して）を用いて、一貫性のないまたは低品質なネガティブサンプルを低減する。
• 共有スキルおよび職位から知識グラフを構築し、ジョブとリューム間の関係的接続をモデル化する。
• マッチング済みおよびマッチングされていないペアに対してコントラスト学習の目的関数を用いて、モデルをエンドツーエンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 疎な相互作用データ下でも、マルチビュー学習フレームワークはジョブ・リュームマッチング性能を向上させることができるか？
• RQ2 共通学習は、ジョブ・リュームマッチングにおけるノイズの多いネガティブサンプルのフィルタリングにどの程度効果的か？
• RQ3 テキストと関係のビュー間での表現共有は、モデルのロバスト性をどの程度向上させるか？
• RQ4 ラベル付きデータが限られた状況で、知識グラフからの関係的シグナル統合はマッチング精度を向上させるか？

主な発見

• 提案手法は、テクノロジーおよびファイナンスの両データセットにおいて、AUCおよびMAP指標で最先端のベースラインを上回る性能を達成した。
• 共通学習メカニズムにより、ノイズの多いネガティブサンプルにおける一貫性のない予測のフィルタリングが顕著に向上し、モデルのロバスト性が向上した。
• テキストモデルと関係モデル間での表現共有により、より安定的で汎用性の高い特徴学習が実現した。
• 事例研究では、標準モデルがネガティブと誤分類するが、本モデルが正しく識別する偽ネガティブサンプル（例：オフライン面接）を特定した。
• テキスト類似度が低い場合でも、関係ベースのモデルは構造的接続を通じて適合性を捉えることができ、相補的な強みを示した。