本文提出了一种新颖的基于卷积神经网络（CNN）的数据驱动模型，即 Person-Job Fit Neural Network（PJFNN），通过识别工作所需的人才能力，为工作匹配合适的人才资格，成功设计了层次化表示架构，通过测量相应潜在表征之间的距离来评估不仅是否适合候选人，而且还可以识别候选人满足作业公告中哪些具体要求项目，最终在大型实际数据集上进行的广泛实验清楚地验证了 PJFNN 在 Person-Job 匹配预测方面的性能。

Oct, 2018

本研究旨在将职业网络整合到人职匹配模型中，通过设计一个工作场所异构信息网络（WHIN）和一个上下文社交注意力图神经网络（CSAGNN），来提高在线招聘平台的性能。实验证明了我们的方法优于基准模型。

Dec, 2023

我们提出了一种新颖的基于设计的语义增强转换器的技能感知推荐模型，用于解析职位描述并完成个性化的工作推荐。我们采用两阶段学习策略进行技能感知推荐，在召回阶段利用技能分布指导 JD 表示学习，然后在排序阶段结合用户个人资料进行最终预测，为学习 JD 提供上下文语义表示，并为点击率（CTR）预测提供有效的 JD - 用户联合表示。通过对大规模真实世界和公共数据集的彻底实证分析，验证了我们方法在职位推荐方面的卓越性能和可解释性。

Apr, 2024

介绍 HireNet，一个基于异步视频面试收集的数据构成的 hierarchical attention model，可用于预测面试者的可聘用性，结论显示，HireNet 的多模态融合性能优于单一模态，但仍需更复杂的融合方案来提高性能，并且评测的关键时刻可能对求职者拥有帮助

Jul, 2019

本文提出了一个使用知识库和特性来增强 JD / 简历匹配过程的系统，旨在提供公正，可解释和可追溯的体系结构。

Feb, 2022

本文通过使用不同的深度神经网络模型，包括 TextCNN、Bi-GRU-LSTM-CNN 和 Bi-GRU-CNN 以及各种预训练的单词嵌入来研究职业预测。此外，我们还提出了一个简单有效的组合模型。实验结果表明，我们的提出的组合模型取得了最高的 F1 分数为 72.71％。

Dec, 2019

本文提出了基于人性化的 AI 机器学习需满足四个主要要求：效用和社会效益，隐私和数据所有权，透明度和问责制以及人工智能决策过程公平性。通过使用自然合成个人资料，该研究展示了当前基于多种信息源的模式的算法是如何受到敏感因素和内在偏见的影响，以及这将如何导致决策失公平性。同时，论文介绍了最近的技术和常用数据库，以消除深度学习结构中的偏见和敏感信息。

Feb, 2023

探讨了使用 AI 辅助决策时，人工智能的预测性能与偏差如何对人类决策产生影响的复杂动态，并通过大规模用户研究发现，高性能的模型显著提高了人类在混合环境中的表现，但有些模型削弱了混合偏见，有些则加重了混合偏见。这些研究结果表明，预先评估这些复杂动态对于部署人工智能具有明确的必要性。

Feb, 2022

该研究论文介绍了 LinkedIn 如何利用深度迁移学习方法和专家反馈循环来改进其职位理解模型，从而提高职位推荐系统的准确性和雇佣效率。

May, 2020

我们采用神经网络学习个人的多维表示，结合社交媒体上的丰富语言和网络证据，从而综合推断人们在线的潜在属性，包括性别、职业、位置和友谊，并在推特上实现了分类、学习表示和预测任务的提高性能。

Oct, 2015