선호도와 자격 요건의 분리: 거대 언어 모델을 활용한 직업 추천을 위한 제약된 이중 관점 추론

De-conflating Preference and Qualification: Constrained Dual-Perspective Reasoning for Job Recommendation with Large Language Models

전문적인 직업 추천은 구직자의 주관적인 선호도와 고용주의 객관적인 자격 요건을 조율해야 하는 복잡한 이분 매칭 과정을 포함합니다. 거대 언어 모델(LLM)은 이력서와 직무 기술서의 풍부한 의미를 모델링하는 데 적합하지만, 기존 패러다임은 종종 이 두 가지 결정 차원을 단일 상호작용 신호로 병합하여, 채용 깔때기(recruitment-funnel) 검열 하에서 혼재된 지도 학습을 초래하고 정책 제어 가능성을 제한합니다. 이러한 문제를 해결하기 위해, 우리는 제약된 이중 관점 추론을 통해 선호도와 자격 요건을 분리하는 생성형 직업 추천 프레임워크인 JobRec을 제안합니다. JobRec은 구직자와 직업 속성을 구조화된 의미 계층으로 정렬하는 통합 의미 정렬 스키마와, 선호도와 자격 요건을 별도로 추론하기 위해 분리된 전문가를 학습시키는 2단계 협력 학습 전략을 도입합니다. 이러한 전문가 모델을 기반으로, 라그랑주 기반 정책 정렬 모듈은 명시적인 자격 요건 하에서 추천을 최적화하여 제어 가능한 트레이드오프를 가능하게 합니다. 데이터 부족 문제를 완화하기 위해, 우리는 전문가에 의해 정제된 합성 데이터셋을 구축했습니다. 실험 결과에 따르면 JobRec은 강력한 베이스라인 모델들을 일관되게 능가하며, 전략을 고려한 전문 매칭을 위한 향상된 제어 가능성을 제공합니다.

Professional job recommendation involves a complex bipartite matching process that must reconcile a candidate's subjective preference with an employer's objective qualification. While Large Language Models (LLMs) are well-suited for modeling the rich semantics of resumes and job descriptions, existing paradigms often collapse these two decision dimensions into a single interaction signal, yielding confounded supervision under recruitment-funnel censoring and limiting policy controllability. To address these challenges, We propose JobRec, a generative job recommendation framework for de-conflating preference and qualification via constrained dual-perspective reasoning. JobRec introduces a Unified Semantic Alignment Schema that aligns candidate and job attributes into structured semantic layers, and a Two-Stage Cooperative Training Strategy that learns decoupled experts to separately infer preference and qualification. Building on these experts, a Lagrangian-based Policy Alignment module optimizes recommendations under explicit eligibility requirements, enabling controllable trade-offs. To mitigate data scarcity, we construct a synthetic dataset refined by experts. Experiments show that JobRec consistently outperforms strong baselines and provides improved controllability for strategy-aware professional matching.