A Best-of-Both Approach to Improve Match Predictions and Reciprocal Recommendations for Job Search

将具有相互偏好的用户配对是由相互推荐驱动的服务的关键方面，例如职位搜索。为了在这种情况下产生推荐，可以预测匹配概率并基于这些预测构建排名。然而，由于匹配标签的极度稀疏，这种直接的匹配预测方法通常表现不佳。因此，大多数现有方法分别预测每个方向的偏好（例如，求职者到雇主和雇主到求职者），然后聚合预测以生成总体匹配分数并产生推荐。然而，这种典型方法常常导致实际问题，例如两个模型之间的偏差误差传播。本文介绍并演示了一种新颖而实用的解决方案，通过利用伪匹配分数来改善生产中的相互推荐。具体而言，我们的方法通过将准确但稀疏的真实匹配标签与相对不准确但密集的匹配预测相结合，生成密集且更直接相关的伪匹配分数。然后，我们训练一个元模型，通过最小化与伪匹配分数的预测损失来输出最终的匹配预测。我们的方法可以看作是最佳匹配（BoB）方法，因为它结合了直接匹配预测和两个独立模型方法的高层思想。它还允许使用用户特定的权重构建个性化的伪匹配分数，通过适当调整权重实现更好的匹配性能。对真实职位搜索数据的离线实验表明，我们的BoB方法，特别是使用个性化伪匹配分数，相对于现有方法在寻找潜在匹配方面具有更优异的性能。

本论文旨在提高服务中互惠推荐的匹配效果，通过结合真实匹配标签和相对不准确但密集的匹配预测生成伪匹配分数，并训练元模型输出最终匹配预测。

该论文提出了一种最佳组合方法，将直接匹配预测和两个单独模型方法的高层思想相结合，通过生成个性化伪匹配分数进一步提高匹配效果。

该论文的亮点包括使用个性化伪匹配分数进一步提高匹配效果，以及在真实世界的招聘数据上进行离线实验并展示了优越的性能。该方法还允许用户特定权重来构造个性化伪匹配分数。

相关研究主要集中在预测匹配概率和构建排名上，以及通过单独预测每个方向的偏好来生成匹配预测。一些相关的论文包括《Collaborative Filtering for Job Recommendations: A Case Study in the LinkedIn Online Recruiting Platform》和《Job Recommendation with Reciprocal Heterogeneous Graph Convolutional Networks》。