The online recruitment matching system has been the core technology and service platform in CareerBuilder. One of the major challenges in an online recruitment scenario is to provide good matches between job posts and candidates using a recommender system on the scale. In this paper, we discussed the techniques for applying an embedding-based recommender system for the large scale of job to candidates matching. To learn the comprehensive and effective embedding for job posts and candidates, we have constructed a fused-embedding via different levels of representation learning from raw text, semantic entities and location information. The clusters of fused-embedding of job and candidates are then used to build and train the Faiss index that supports runtime approximate nearest neighbor search for candidate retrieval. After the first stage of candidate retrieval, a second stage reranking model that utilizes other contextual information was used to generate the final matching result. Both offline and online evaluation results indicate a significant improvement of our proposed two-staged embedding-based system in terms of click-through rate (CTR), quality and normalized discounted accumulated gain (nDCG), compared to those obtained from our baseline system. We further described the deployment of the system that supports the million-scale job and candidate matching process at CareerBuilder. The overall improvement of our job to candidate matching system has demonstrated its feasibility and scalability at a major online recruitment site.

中文翻译：

---

基于嵌入的推荐系统，用于大规模作业与候选人匹配

在线招聘匹配系统一直是凯业必达的核心技术和服务平台。在线招聘场景中的主要挑战之一是使用大规模推荐系统在职位和候选人之间提供良好的匹配。在本文中，我们讨论了将基于嵌入的推荐系统应用于大规模工作以匹配候选人的技术。为了学习职位和候选人的全面有效的嵌入，我们通过从原始文本、语义实体和位置信息的不同级别的表示学习构建了一个融合嵌入。然后使用工作和候选的融合嵌入集群来构建和训练 Faiss 索引，该索引支持运行时近似最近邻搜索以进行候选检索。在候选检索的第一阶段之后，利用其他上下文信息的第二阶段重新排序模型用于生成最终匹配结果。离线和在线评估结果都表明，与从我们的基线系统获得的结果相比，我们提出的基于两阶段嵌入的系统在点击率 (CTR)、质量和归一化折扣累积增益 (nDCG) 方面有了显着改进。我们进一步描述了支持 CareerBuilder 百万级职位和候选人匹配过程的系统的部署。我们的工作与候选人匹配系统的整体改进已经在一个主要的在线招聘网站上证明了它的可行性和可扩展性。使用其他上下文信息的第二阶段重新排序模型用于生成最终匹配结果。离线和在线评估结果都表明，与从我们的基线系统获得的结果相比，我们提出的基于两阶段嵌入的系统在点击率 (CTR)、质量和归一化折扣累积增益 (nDCG) 方面有了显着改进。我们进一步描述了支持 CareerBuilder 百万级职位和候选人匹配过程的系统的部署。我们的工作与候选人匹配系统的整体改进已经在一个主要的在线招聘网站上证明了它的可行性和可扩展性。使用其他上下文信息的第二阶段重新排序模型用于生成最终匹配结果。离线和在线评估结果都表明，与从我们的基线系统获得的结果相比，我们提出的基于两阶段嵌入的系统在点击率 (CTR)、质量和归一化折扣累积增益 (nDCG) 方面有了显着改进。我们进一步描述了支持 CareerBuilder 百万级职位和候选人匹配过程的系统的部署。我们的工作与候选人匹配系统的整体改进已经在一个主要的在线招聘网站上证明了它的可行性和可扩展性。质量和归一化贴现累积增益 (nDCG)，与从我们的基线系统获得的那些相比。我们进一步描述了支持 CareerBuilder 百万级职位和候选人匹配过程的系统的部署。我们的工作与候选人匹配系统的整体改进已经在一个主要的在线招聘网站上证明了它的可行性和可扩展性。质量和归一化贴现累积增益 (nDCG)，与从我们的基线系统获得的那些相比。我们进一步描述了支持 CareerBuilder 百万级职位和候选人匹配过程的系统的部署。我们的工作与候选人匹配系统的整体改进已经在一个主要的在线招聘网站上证明了它的可行性和可扩展性。