Abstract
<jats:p>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.</jats:p>