MSLEF: Multi-Segment LLM Ensemble Finetuning in Recruitment

📄 arXiv: 2509.06200v1 📥 PDF

作者: Omar Walid, Mohamed T. Younes, Khaled Shaban, Mai Hassan, Ali Hamdi

分类: cs.CL

发布日期: 2025-09-07

备注: Accepted in AICCSA 2025

💡 一句话要点

MSLEF：多段LLM集成微调框架，提升招聘自动化中简历解析精度

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 简历解析 大型语言模型 集成学习 招聘自动化 自然语言处理

📋 核心要点

  1. 现有简历解析方法难以适应简历格式多样性，导致解析精度不高，影响招聘效率。
  2. MSLEF框架通过对简历分段，并为每个段落训练专门的LLM，再进行集成，从而提升解析精度和泛化能力。
  3. 实验结果表明，MSLEF在多个指标上显著优于现有方法，尤其在招聘相似度（RS）上提升高达7%。

📝 摘要（中文）

本文提出了一种名为MSLEF的多段集成框架，该框架利用LLM微调来增强招聘自动化中的简历解析。它通过加权投票集成微调后的大型语言模型（LLM），每个模型专门处理简历的特定部分，从而提高准确性。MSLEF基于MLAR，引入了一种段感知架构，该架构利用针对每个简历部分量身定制的特定领域权重，通过适应不同的格式和结构，有效地克服了单模型系统的局限性。该框架集成了Gemini-2.5-Flash LLM作为复杂部分的高级聚合器，并利用了Gemma 9B、LLaMA 3.1 8B和Phi-4 14B。MSLEF在精确匹配（EM）、F1分数、BLEU、ROUGE和招聘相似度（RS）指标方面取得了显著改进，在RS方面优于最佳单模型高达+7%。其段感知设计增强了跨各种简历布局的泛化能力，使其高度适应实际招聘场景，同时确保精确可靠的候选人表示。

🔬 方法详解

问题定义：现有简历解析方法难以有效处理简历格式和结构的多样性，导致解析准确率不高，影响招聘流程的自动化程度。单模型方法难以兼顾简历各个部分的特点，容易在特定字段上出现解析错误。

核心思路：MSLEF的核心思路是将简历划分为多个语义相关的片段，并为每个片段训练一个专门的LLM。通过这种分而治之的策略，每个LLM可以专注于特定类型的信息提取，从而提高整体解析的准确性和鲁棒性。最后，通过加权投票的方式集成各个LLM的输出，以获得最终的解析结果。

技术框架：MSLEF框架包含以下主要模块：1) 简历分段模块：将简历划分为多个语义相关的片段。2) LLM微调模块：针对每个片段，使用不同的LLM（如Gemma 9B、LLaMA 3.1 8B、Phi-4 14B）进行微调，使其擅长解析该片段的信息。3) 集成模块：使用加权投票的方式集成各个LLM的输出，其中权重可以根据片段的重要性或LLM的性能进行调整。Gemini-2.5-Flash LLM被用作高级聚合器，处理复杂片段。

关键创新：MSLEF的关键创新在于其段感知的架构设计。与传统的单模型方法不同，MSLEF能够根据简历的不同部分采用不同的LLM和权重，从而更好地适应简历格式的多样性。此外，使用LLM集成的方式可以进一步提高解析的准确性和鲁棒性。

关键设计：MSLEF的关键设计包括：1) 简历分段策略：如何将简历划分为合适的片段，以最大化每个LLM的性能。2) LLM选择和微调策略：选择哪些LLM以及如何微调这些LLM，以使其擅长解析特定片段的信息。3) 加权投票策略：如何确定每个LLM的权重，以最大化集成后的性能。论文中提到使用了领域特定的权重，但具体的权重设置方法未知。

🖼️ 关键图片

fig_0

📊 实验亮点

MSLEF在多个简历解析指标上取得了显著提升，尤其是在招聘相似度（RS）指标上，相比最佳单模型提升高达7%。这表明MSLEF能够更准确地理解简历内容，从而更好地匹配候选人和职位。具体性能数据未知，但整体效果优于现有方法。

🎯 应用场景

MSLEF可应用于招聘流程自动化，例如自动提取候选人的技能、经验、教育背景等信息，从而提高招聘效率和质量。该技术还可应用于人力资源管理系统，帮助企业更好地管理和分析员工信息。未来，该技术有望扩展到其他文档解析领域，例如合同解析、财务报表解析等。

📄 摘要（原文）

This paper presents MSLEF, a multi-segment ensemble framework that employs LLM fine-tuning to enhance resume parsing in recruitment automation. It integrates fine-tuned Large Language Models (LLMs) using weighted voting, with each model specializing in a specific resume segment to boost accuracy. Building on MLAR , MSLEF introduces a segment-aware architecture that leverages field-specific weighting tailored to each resume part, effectively overcoming the limitations of single-model systems by adapting to diverse formats and structures. The framework incorporates Gemini-2.5-Flash LLM as a high-level aggregator for complex sections and utilizes Gemma 9B, LLaMA 3.1 8B, and Phi-4 14B. MSLEF achieves significant improvements in Exact Match (EM), F1 score, BLEU, ROUGE, and Recruitment Similarity (RS) metrics, outperforming the best single model by up to +7% in RS. Its segment-aware design enhances generalization across varied resume layouts, making it highly adaptable to real-world hiring scenarios while ensuring precise and reliable candidate representation.