JobFormer: Skill-Aware Job Recommendation with Semantic-Enhanced Transformer

职位推荐旨在为潜在人才提供与其职业轨迹相符的适当职位描述（JD），这在积极招聘人才方面发挥着至关重要的作用。在现实管理场景中，可用的JD-用户记录始终包括JD、用户资料和点击数据，其中用户资料通常为了保护隐私而总结为用户的技能分布。尽管现有的复杂推荐方法可以直接使用，但考虑到JD本身的信息缺失和JD与用户资料之间的自然异质性差距，有效的推荐仍然存在挑战。为了解决这些挑战，我们提出了一种基于设计的语义增强变压器的新型技能感知推荐模型，用于解析JD并完成个性化职位推荐。具体而言，我们首先对每个JD的相关项进行建模，然后采用具有本地-全局注意机制的编码器，以更好地挖掘JD元组中的内部作业和跨作业依赖关系。此外，我们采用了一种两阶段学习策略进行技能感知推荐，在回忆阶段利用技能分布来指导JD表示学习，然后在排名阶段将用户资料与之结合进行最终预测。因此，我们可以嵌入丰富的上下文语义表示以学习JD，而技能感知推荐为点击率（CTR）预测提供了有效的JD-用户联合表示。为了验证我们的职位推荐方法的卓越性能，我们对大规模的真实世界和公共数据集进行了彻底的实证分析，以证明其有效性和可解释性。

本论文旨在解决职位推荐中的信息不足和职位描述与用户技能分布之间的异质性差距所带来的挑战。

论文提出了一种基于语义增强的Transformer模型，用于解析职位描述并完成个性化的职位推荐。该模型采用局部-全局注意力机制的编码器，以更好地挖掘职位元组中的职位内部和职位间依赖关系。同时，采用两阶段学习策略进行技能感知推荐，利用技能分布指导召回阶段的职位表示学习，然后在排名阶段结合用户配置文件进行最终预测。

论文在大规模真实世界和公共数据集上进行了彻底的实证分析，证明了其有效性和可解释性。值得关注的是，该模型可以嵌入丰富的上下文语义表示，用于学习职位描述，同时技能感知推荐为点击率（CTR）预测提供了有效的职位-用户联合表示。

在这个领域中，还有一些相关的研究，例如《Neural Collaborative Filtering for Personalized Ranking》、《Deep Learning Based Recommender System: A Survey and New Perspectives》等。