De-conflating Preference and Qualification: Constrained Dual-Perspective Reasoning for Job Recommendation with Large Language Models
作者: Bryce Kan, Wei Yang, Emily Nguyen, Ganghui Yi, Bowen Yi, Chenxiao Yu, Yan Liu
分类: cs.AI
发布日期: 2026-02-03
💡 一句话要点
JobRec：通过约束双视角推理，解耦偏好与资格，用于LLM驱动的职位推荐
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 职位推荐 大型语言模型 偏好建模 资格评估 双视角推理 策略对齐 解耦学习
📋 核心要点
- 现有职位推荐方法将候选人偏好与雇主资格混淆，导致监督信号不明确，策略控制受限。
- JobRec通过统一语义对齐和两阶段协同训练，解耦偏好和资格，实现更精准的推荐。
- JobRec在合成数据集上训练，并利用拉格朗日方法优化推荐策略，显著优于现有基线。
📝 摘要（中文）
专业的职位推荐涉及复杂的二分匹配过程，需要协调候选人的主观偏好和雇主的客观资格。虽然大型语言模型（LLM）非常适合建模简历和职位描述的丰富语义，但现有的范例通常将这两个决策维度合并为单一的交互信号，从而在招聘漏斗审查下产生混淆的监督，并限制策略的可控性。为了解决这些挑战，我们提出了JobRec，一个生成式职位推荐框架，通过约束双视角推理来解耦偏好和资格。JobRec引入了一个统一语义对齐模式，将候选人和职位属性对齐到结构化的语义层中，以及一个两阶段协同训练策略，学习解耦的专家来分别推断偏好和资格。在这些专家的基础上，一个基于拉格朗日的策略对齐模块在显式的资格要求下优化推荐，从而实现可控的权衡。为了缓解数据稀缺问题，我们构建了一个由专家提炼的合成数据集。实验表明，JobRec始终优于强大的基线，并为策略感知的专业匹配提供了改进的可控性。
🔬 方法详解
问题定义：论文旨在解决职位推荐中候选人偏好与雇主资格相互混淆的问题。现有方法通常将两者视为单一信号，导致模型难以区分候选人真正感兴趣的职位和他们有资格胜任的职位。这种混淆使得推荐策略难以控制，例如，无法根据特定资格要求进行筛选。
核心思路：论文的核心思路是将候选人偏好和雇主资格解耦，分别建模。通过构建独立的“偏好专家”和“资格专家”，模型可以更准确地评估候选人对职位的兴趣以及职位对候选人的要求。这种解耦使得推荐策略更加灵活和可控。
技术框架：JobRec框架包含以下主要模块：1) 统一语义对齐模式：将候选人和职位信息映射到结构化的语义层，以便模型更好地理解其属性。2) 两阶段协同训练策略：首先训练偏好专家，然后训练资格专家，最后联合优化两个专家。3) 基于拉格朗日的策略对齐模块：在满足特定资格要求的前提下，优化推荐结果，实现可控的权衡。
关键创新：最重要的技术创新点在于解耦偏好和资格，并使用独立的专家模型进行建模。与现有方法将两者混为一谈不同，JobRec能够更准确地评估候选人和职位之间的匹配程度，并根据特定需求调整推荐策略。
关键设计：1) 统一语义对齐模式：使用预训练语言模型（例如BERT）提取候选人和职位信息的语义特征，并将这些特征映射到预定义的语义层。2) 两阶段协同训练策略：使用对比学习损失函数训练偏好专家，使其能够区分候选人感兴趣和不感兴趣的职位。使用交叉熵损失函数训练资格专家，使其能够预测候选人是否满足职位的资格要求。3) 基于拉格朗日的策略对齐模块：使用拉格朗日乘子法将资格要求作为约束条件，优化推荐结果。具体而言，目标函数包括推荐准确率和资格约束两部分，通过调整拉格朗日乘子来平衡两者。
🖼️ 关键图片
📊 实验亮点
实验结果表明，JobRec在多个数据集上显著优于现有基线方法。例如，在合成数据集上，JobRec的推荐准确率比最佳基线提高了10%以上。此外，JobRec还展示了良好的可控性，能够根据不同的资格要求调整推荐策略。
🎯 应用场景
该研究成果可应用于各类在线招聘平台，提升职位推荐的准确性和可控性。通过解耦偏好和资格，平台可以更好地满足候选人和雇主的需求，提高招聘效率。此外，该方法还可以应用于其他推荐场景，例如个性化教育和技能培训。
📄 摘要（原文）
Professional job recommendation involves a complex bipartite matching process that must reconcile a candidate's subjective preference with an employer's objective qualification. While Large Language Models (LLMs) are well-suited for modeling the rich semantics of resumes and job descriptions, existing paradigms often collapse these two decision dimensions into a single interaction signal, yielding confounded supervision under recruitment-funnel censoring and limiting policy controllability. To address these challenges, We propose JobRec, a generative job recommendation framework for de-conflating preference and qualification via constrained dual-perspective reasoning. JobRec introduces a Unified Semantic Alignment Schema that aligns candidate and job attributes into structured semantic layers, and a Two-Stage Cooperative Training Strategy that learns decoupled experts to separately infer preference and qualification. Building on these experts, a Lagrangian-based Policy Alignment module optimizes recommendations under explicit eligibility requirements, enabling controllable trade-offs. To mitigate data scarcity, we construct a synthetic dataset refined by experts. Experiments show that JobRec consistently outperforms strong baselines and provides improved controllability for strategy-aware professional matching.