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

Transcript

1. Confidential © 2023 Leverages Co., Ltd. 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 2026/06/03 JSAI2026@G メッセ群馬 永安修也, 修浩毅, 樋沢規宏
2. © 2023 Leverages Co., Ltd. 目次 1. 背景 2. 提案手法 3. 実験 4. まとめと今後の展望 2
3. © 2023 Leverages Co., Ltd. 目次 1. 背景 2. 提案手法 3. 実験 4. まとめと今後の展望 3
4. © 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
5. © 2023 Leverages Co., Ltd. 相互推薦ではユーザー嗜好、企業嗜好の双方を予測し、マージする 相互推薦 5
6. © 2023 Leverages Co., Ltd. 相互の関係を考慮する場合相互の嗜好性のトレードオフが暗黙的に仮定されて いる 相互推薦におけるトレードオフ 6
7. 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
8. © 2023 Leverages Co., Ltd. 相互推薦のドメインにおいて、グラフベースで説明性を持たせたモデルは存在 相互推薦における説明性 8 KAERR Lai, Kai-Huang, et al. 2024 モデル内で、個別要素の関係を明示 的に扱う 相互推薦一般に対してどのよ うに説明性を持たせるかとい う方法論は未確立
9. 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.
10. © 2023 Leverages Co., Ltd. 本研究では求職者の嗜好度が高い一方で求人側の嗜好度が低いため推薦され なかった求人に対して、ユーザー嗜好度を下げる事を防ぎつつ、求人スコアを上 げるような変更を探索する 本研究の目的 10
11. © 2023 Leverages Co., Ltd. 目次 1. 背景 2. 提案手法 3. 実験 4. まとめと今後の展望 11
12. © 2023 Leverages Co., Ltd. 先行研究 12 推薦システムで反実仮想を使い top kで推薦されたアイテムが 推薦された理由を説明する手法が存在 CountER Tan, Juntao, et al. 2021
13. © 2023 Leverages Co., Ltd. 先行研究との差異 1. ユーザーサイドへの介入を考える 2. 相互推薦である 3. テキストベースの入力を考える ユーザー側にとって好みと予測されるが top k外のJobがtop kに入るためのユーザー介入を考える ユーザー側のスコアが下がらないという条件をつける 本研究のスコープ 13
14. © 2023 Leverages Co., Ltd. ランキング考慮の最適化 14 ユーザーへの介入を考えると targetでないJobのスコア変動も起こる 候補の中から初期ランクでプールを作り近似、最適化のstepごとにそのk番目のJobを 動的にtarget として選び直す
15. © 2023 Leverages Co., Ltd. 介入により求職者側への嗜好性が下がらないことを担保 制約付き最適化 15 • 求職者側にスキルを追加することでオーバースペックになりすぎることを防ぐ 制約 • 最適化を行うため、hard制約でなく、ReLUを用いたSoft制約に緩和
16. © 2023 Leverages Co., Ltd. 現代の多くのレコメンドモデルはテキスト埋め込みを使う テキスト埋め込み空間上の介入 16 Abubakar, Abid, et al. に従 い、conceptへの範囲制限 付き線形介入を用いる
17. © 2023 Leverages Co., Ltd. 目次 1. 背景 2. 提案手法 3. 実験 4. まとめと今後の展望 17
18. © 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
19. © 2023 Leverages Co., Ltd. 実験 19 求職者側スコアに制約をかけることでユーザーの嗜好性スコアを下げに くくなった 制約違反率 top k達成率 制約なし 制約強 制約を強くするほどユーザー嗜好性スコアを下げないような介入を探索 一方でtargetをtop kに入れるようなケースの割合が減少
20. © 2023 Leverages Co., Ltd. 介入が成功したものに絞った制約違反率 20 top kへ押し上げる介入が成功したものに絞った制約達成率も制約を強く することで単調に減少している 介入に成功したケースにおいてユーザーの嗜好性を保つという狙った効果が出 ていることがわかる
21. © 2023 Leverages Co., Ltd. 介入後データの分布忠実性 21 介入後のテキスト embeddingの分布忠実性は制約を増やすことで悪化 制約を強くすることで介入後のembeddingがユーザーのテキスト分布から生成し たものとして自然なものが出なくなる可能性がある Mahalanobis Fréchet Distanceによ り分布間の類似度を測定
22. © 2023 Leverages Co., Ltd. 目次 1. 背景 2. 提案手法 3. 実験 4. まとめ 22
23. 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
24. Confidential © 2023 Leverages Co., Ltd. レバレジーズ公式