Метод асимметричного семантического сопоставления в интеллектуальных системах подбора

Андрей  Булатов,Денис  Качин,Федор  Краснов

ПРЕПРИНТ

Эта статья является препринтом и не была отрецензирована.
О результатах, изложенных в препринтах, не следует сообщать в СМИ как о проверенной информации.

Метод асимметричного семантического сопоставления в интеллектуальных системах подбора

А. Булатов,

Д. Качин,

Ф. Краснов

2026-04-28

https://doi.org/10.24108/preprints-3115085

В данной работе рассматривается проблема двустороннего соответствия в системах подбора персонала, где традиционные симметричные модели часто не учитывают фундаментальные различия между требованиями работодателей и предпочтениями соискателей. Авторы предлагают архитектуру асимметричного «двухбашенного» энкодера, в которой семантическое взаимодействие моделируется через обучаемую матрицу проекций. Предложенный подход оптимизируется с использованием двунаправленной функции потерь на основе контрастивного обучения, что позволяет сбалансировать интересы обеих сторон взаимодействия. Эмпирическая оценка на данных портала CareerBuilder показала высокую эффективность метода: значения метрики NDCG@10 достигли 0.9251 для направления «кандидат => вакансия» и 0.9203 для направления «вакансия => кандидат» при стопроцентном показателе Hit@10. Количественный анализ обученной матрицы выявил индекс асимметрии A = 0.0821 и преобладание внедиагональной энергии (1.1278), что математически подтверждает критическую роль направленной трансформации признаков. Результаты доказывают, что введение асимметричного латентного пространства позволяет эффективно выявлять неявные семантические связи и обеспечивать паритет интересов в условиях реального рынка труда.

Ссылка для цитирования:

Булатов А., Качин Д., Краснов Ф. 2026. Метод асимметричного семантического сопоставления в интеллектуальных системах подбора. PREPRINTS.RU. https://doi.org/10.24108/preprints-3115085

Список литературы

1. Radford, A., et al. Learning Transferable Visual Models From Natural Language Supervision. ICML, 2021.

2. Jia, C., et al. Scaling Up Visual and Vision-Language Representation Learning. ICML, 2021.

3. Oord, A. v. d., et al. Representation Learning with Contrastive Predictive Coding. arXiv:1807.03748, 2018.

4. Huang, P. S., et al. Learning deep structured semantic models for web search. CIKM, 2013.

5. Shen, Y., et al. A Latent Semantic Model with Convolutional-Pooling Structure. SIGIR, 2014.

6. Ni J. et al. Sentence-t5: Scalable sentence encoders from pre-trained text-to- text models //Findings of the association for computational linguistics: ACL 2022. 2022. С. 1864-1874.

7. Pizzato, L., et al. RECON: a reciprocal content-based recommender system. RecSys, 2010.

8. Koprinska I., Yacef K. People-to-people reciprocal recommenders //Recommender Systems Handbook. New York, NY : Springer US, 2012. С. 421-446.

9. Tang, G., et al. FitCLM: LLM-Augmented Candidate-aware Cross-view Contrastive Learning. CSCWD, 2025.

10. Bian, S., et al. Learning to Match Jobs with Resumes from Sparse Interaction Data. CIKM, 2020.

11. Zheng Z. et al. Bilateral multi-behavior modeling for reciprocal recommendation in online recruitment //IEEE Transactions on Knowledge and Data Engineering. 2024. Т. 36. №. 11. С. 5681-5694.

12. Zhu, C., et al. Person-Job Fit: Adapting the Right Talent for the Right Job. KDD, 2018.

13. Jacobsen A., Spanakis G. It’s a Match! Reciprocal Recommender System for Graduating Students and Jobs //EDM. 2019.

14. Touati, R., & Kadoury, S. Bidirectional feature matching based on deep pairwise contrastive learning. PMB, 2023.

15. Vito, V. An Asymmetric Contrastive Loss for Handling Imbalanced Datasets. PRL, 178, 2025.

16. Wang L. et al. Contrastive learning with negative sampling correction //arXiv preprint arXiv:2401.08690. 2024.2.

17. Liu Y. et al. Asymmetric visual semantic embedding framework for efficient vision-language alignment //Proceedings of the AAAI Conference on Artificial Intelligence. 2025. Т. 39. №. 6. С. 5676-5684.

18. Wu H. et al. Asymmetric feature fusion for image retrieval //Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2023. С. 11082-11092.

19. Kulis, B., et al. You Are What You Eat: Learning Arbitrary Asymmetric Similarities. ICML, 2011.

20. Chechik, G., et al. Large Scale Online Learning of Image Similarity Through Ranking. JMLR, 2010.

21. Yu, Q., et al. Adversarial Contrastive Learning via Asymmetric InfoNCE. ECCV, 2022.

22. Ramanathan R. et al. A reciprocal embedding framework for modelling mutual preferences //Proceedings of the AAAI Conference on Artificial Intelligence. 2021. Т. 35. №. 17. С. 15385-15392.

23. Dave V. S. et al. A combined representation learning approach for better job and skill recommendation //Proceedings of the 27th ACM International Conference on Information and Knowledge Management. 2018. С. 1997-2005.

ПРЕПРИНТ

ИНФОРМАЦИЯ

Использование куки-файлов