[논문 리뷰] Learning to Match Jobs with Resumes from Sparse Interaction Data using Multi-View Co-Teaching Network

Shuqing Bian, Xu Chen외 6명|arXiv (Cornell University)|2020. 09. 25.

Advanced Graph Neural Networks참고 문헌 30인용 수 5

한 줄 요약

이 논문은 텍스트 기반 및 관계 기반 매칭 모델을 융합하여 희소하고 노이즈가 많은 상호작용 데이터 하에서 직업-이력서 매칭 성능을 향상시키는 다중 시각 공강학습 네트워크를 제안한다. 공유된 표현과 공강학습을 통해 노이즈가 많은 샘플을 걸러내어 모델의 강건성을 높이고, 기준 데이터셋에서 최신 기술 성능을 달성한다.

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.

연구 동기 및 목표

• 온라인 채용 플랫폼에서 희소하고 노이즈가 많은 직업-이력서 상호작용 데이터 문제를 해결한다.
• 라벨이 부족하고 신뢰할 수 없는 상호작용 데이터가 존재할 때 매칭 성능을 향상시킨다.
• 직업-이력서 그래프에서 유추되는 의미적 텍스트 매칭과 관계적 구조를 모두 활용하는 통합 모델을 개발한다.
• 공강학습 및 표현 강화 전략을 통해 노이즈가 많은 음성 샘플의 영향을 줄인다.

제안 방법

• 텍스트 기반 매칭 모델과 관계 기반 매칭 모델로 구성된 두 가지 분기로 이루어진 다중 시각 공강학습 네트워크를 제안한다.
• 두 모델 간에 학습된 표현을 공유하여 표현 공적응을 통해 특징 학습을 향상시킨다.
• 각 모델이 상대 모델의 예측 기반으로 신뢰할 수 있는 학습 인스턴스를 선택하는 공강학습 메커니즘을 구현하여 노이즈 영향을 줄인다.
• 재가중 및 필터링 전략(식 12 및 식 14를 통해)을 사용하여 일관성 없거나 저품질의 음성 샘플을 낮게 평가한다.
• 공유된 기술과 직위를 기반으로 지식 그래프를 구축하여 직업과 이력서 간의 관계적 연결을 모델링한다.
• 매칭된 쌍과 매칭되지 않은 쌍에 대해 대조 학습 목표를 사용하여 모델을 엔드 투 엔드로 훈련시킨다.

실험 결과

연구 질문

• RQ1 희소한 상호작용 데이터 하에서 다중 시각 학습 프레임워크가 직업-이력서 매칭 성능을 향상시킬 수 있는가?
• RQ2 공강학습이 노이즈가 많은 음성 샘플을 걸러내는 데 얼마나 효과적인가?
• RQ3 텍스트 및 관계 시각 간의 공유 표현이 모델의 강건성에 얼마나 기여하는가?
• RQ4 라벨이 제한된 상황에서 지식 그래프로부터 유도된 관계 신호 통합이 매칭 정확도를 향상시키는가?

주요 결과

• 제안된 모델은 AUC 및 MAP 지표에서 기술 및 금융 데이터셋 모두에서 최신 기술 기준 모델을 초월한다.
• 공강학습 메커니즘이 노이즈가 많은 음성 샘플에서 일관성 없는 예측을 걸러내어 강건성을 크게 향상시킨다.
• 텍스트 모델과 관계 모델 간의 표현 공유가 더 안정적이고 일반화 가능한 특징 학습을 이끈다.
• 사례 연구 결과, 표준 모델이 음성으로 잘못 분류하는 경우(예: 오프라인 면접)를 정확히 식별하는 것으로 나타났다.
• 텍스트 유사도가 낮을 때조차도 관계 기반 모델이 구조적 연결을 통해 호환성을 포착하여 상호보완적인 강점을 보였다.