JSAI2026　人材領域における反実仮想機械学習を用いた相互推薦システム説明手法の提案

by 永安修也

Embed

Start on current slide

Slide 1

Slide 1 text

Slide 2

Slide 2 text

Slide 3

Slide 3 text

Slide 4

Slide 4 text

© 2023 Leverages Co., Ltd. LeveragesではIT人材、看護といった人材領域でキャリア支援のサービスを行っている相互推薦 4 人材領域における推薦は通常のItem推薦と異なり、ユーザーから企業への嗜好性、企業からユーザーへの嗜好性の双方を考慮することが重要相互的な嗜好性を考慮した推薦システムのフレームワークをReciprocal Recommender System(相互推薦)という

Slide 5

Slide 5 text

Slide 6

Slide 6 text

Slide 7

Slide 7 text

相互推薦における説明性高リスクな意思決定が伴う人材領域において、「なぜ推薦されたか」の透明性はサービスの信頼性に直結する 1. 納得感と信頼の醸成単なるスコア提示ではなく、根拠を示すことで推薦に対する納得感を高めます。「自分に合う理由」が明確になることで、サービスへの信頼度が向上します。 2. 行動可能な指針の提示反実仮想的な説明により、「何を改善すれば望む求人に届くか」という具体的なフィードバックが可能になります。これはユーザーのキャリア形成における強力な指針となります。 3. 公平性の担保不採用の根拠や特定の属性への偏りを特定し、公平性の問題に対処するために説明性は不可欠です。高リスクな意思決定における透明性を確保します。 © 2023 Leverages Co., Ltd. 人材領域のレコメンドでは説明可能性の重要度が高い

Slide 8

Slide 8 text

Slide 9

Slide 9 text

本研究の目的高リスクな意思決定が伴う人材領域において、「なぜ推薦されたか」の透明性はサービスの信頼性に直結する 1. 納得感と信頼の醸成単なるスコア提示ではなく、根拠を示すことで推薦に対する納得感を高めます。「自分に合う理由」が明確になることで、サービスへの信頼度が向上します。 2. 行動可能な指針の提示反実仮想的な説明により、「何を改善すれば望む求人に届くか」という具体的なフィードバックが可能になります。これはユーザーのキャリア形成における強力な指針となります。 3. 公平性の担保不採用の根拠や特定の属性への偏りを特定し、公平性の問題に対処するために説明性は不可欠です。高リスクな意思決定における透明性を確保します。 © 2023 Leverages Co., Ltd.

Slide 10

Slide 10 text

Slide 11

Slide 11 text

Slide 12

Slide 12 text

Slide 13

Slide 13 text

Slide 14

Slide 14 text

Slide 15

Slide 15 text

Slide 16

Slide 16 text

Slide 17

Slide 17 text

Slide 18

Slide 18 text

© 2023 Leverages Co., Ltd. 使用データセット: IT人材キャリア支援サービスレバテックキャリアの応募行動データ使用モデル: 両側方向へそれぞれTwo tower model, DPGNN(Chen Yang, et al. 2022) 埋め込みモデル: Qwen3-embedding-0.6B ユーザー介入の近似: top k = 10とし、候補Jobの集合を初期ランクでtop 20のアイテムに設定する実験設定 18

Slide 19

Slide 19 text

Slide 20

Slide 20 text

Slide 21

Slide 21 text

Slide 22

Slide 22 text

Slide 23

Slide 23 text

Confidential © 2023 Leverages Co., Ltd. 提案手法結果ランキングを考慮したユーザー側介入ランキング下位のJobを上位に押し上げるようなユーザー介入を考えることで、相互推薦のトレードオフが部分的に見えた制約付き最適化制約付き最適化を導入することで、このトレードオフを抑え、ユーザー側、 Job側の興味を維持することができた。テキスト表現空間上の介入テキストに関する表現介入が現実的であるかは検証の余地が大きい 23 まとめ

Slide 24

Slide 24 text