Exploring Large Language Model for Graph Data Understanding in Online Job Recommendations

要約

大規模言語モデル (LLM) は自然言語処理タスクに革命をもたらし、さまざまなドメインでその卓越した機能を実証しました。
しかし、仕事の推奨における行動グラフの理解を可能にする可能性は、まだほとんど解明されていません。
このペーパーでは、動作グラフを理解する際の大規模言語モデルの機能を明らかにし、この理解を活用して、流通外 (OOD) アプリケーションの促進を含むオンライン採用における推奨事項を強化することに焦点を当てています。
私たちは、大規模な言語モデルによって提供される豊富なコンテキスト情報と意味論的表現を利用して、動作グラフを分析し、根底にあるパターンと関係を明らかにする新しいフレームワークを紹介します。
具体的には、LLM レコメンダーを利用して動作グラフを初めて理解し、パスベースのシーケンス入力によって導入されるプロンプトバイアスを軽減するために対応するパス拡張モジュールを設計するメタパスプロンプトコンストラクターを提案します。
この機能を活用することで、当社のフレームワークは個々のユーザーに対してパーソナライズされた正確な仕事の推奨を可能にします。
私たちは包括的なデータセットに対するアプローチの有効性を評価し、推奨される品質の関連性と品質を向上させるその能力を実証します。
この研究は、大規模言語モデルの未開発の可能性を明らかにするだけでなく、採用市場における高度なレコメンデーション システムを開発するための貴重な洞察も提供します。
この発見は、自然言語処理の成長分野に貢献し、就職活動のエクスペリエンスを向上させるための実用的な意味を提供します。
コードは https://github.com/WLiK/GLRec でリリースされます。

要約(オリジナル)

Large Language Models (LLMs) have revolutionized natural language processing tasks, demonstrating their exceptional capabilities in various domains. However, their potential for behavior graph understanding in job recommendations remains largely unexplored. This paper focuses on unveiling the capability of large language models in understanding behavior graphs and leveraging this understanding to enhance recommendations in online recruitment, including the promotion of out-of-distribution (OOD) application. We present a novel framework that harnesses the rich contextual information and semantic representations provided by large language models to analyze behavior graphs and uncover underlying patterns and relationships. Specifically, we propose a meta-path prompt constructor that leverages LLM recommender to understand behavior graphs for the first time and design a corresponding path augmentation module to alleviate the prompt bias introduced by path-based sequence input. By leveraging this capability, our framework enables personalized and accurate job recommendations for individual users. We evaluate the effectiveness of our approach on a comprehensive dataset and demonstrate its ability to improve the relevance and quality of recommended quality. This research not only sheds light on the untapped potential of large language models but also provides valuable insights for developing advanced recommendation systems in the recruitment market. The findings contribute to the growing field of natural language processing and offer practical implications for enhancing job search experiences. We release the code at https://github.com/WLiK/GLRec.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google