Mira-Embeddings-V1: LLM 合成データによる採用領域向けドメイン適応セマンティック再ランク付け

1. 問題定義と背景

採用活動における候補者発掘（Candidate Sourcing）は、通常「検索（Retrieval）」と「再ランク付け（Reranking）」の 2 段階パイプラインとして扱われます。

• 現状の課題: 上位の検索システムが生成した候補者のショートリスト（短縮リスト）を、採用担当者が限られたレビュー予算内で精査する際、**「見逃し（False Negative）」**が最大のリスクとなります。特に、職名やスキルが似ているが、**役割の範囲（Scope）、権限レベル、シニアリティ、または必須条件（Hard Constraints）**において不一致がある「ニアミス（Near-miss）」候補が、真に適格な候補をリストから追い出してしまう現象が頻発します。
• 既存手法の限界: 一般的なセマンティック検索モデルは、表面的な意味的類似性を捉えることは得意ですが、この「役割の境界（Role-boundary）」における微妙な不一致や、必須条件の違反を明確に区別して降格させることが苦手です。また、大規模なクロスエンコーダー（Cross-Encoder）を用いた再ランク付けは精度向上に寄与しますが、計算コストが高く、大規模な候補リストへの適用が現実的ではありません。
• 本研究の目的: 限られた人手ラベルデータを用いずに、LLM によって生成された合成データを活用し、採用ドメイン特有の「役割境界の混同」を解決する効率的な再ランク付けシステムを構築することです。

2. 提案手法：Mira-Embeddings-V1

本研究では、3 つの主要な段階からなるパイプラインを提案しています。

2.1 教師信号の設計：5 段階の LLM プロンプトパイプライン

人手による大規模なラベル付けを行わず、実在の求人票（JD: Job Description）を基に、LLM を用いて構造化されたトレーニングデータを生成します。

1. 抽出: 実在の JD から構造化されたアンカー（タイトル、スキル、制約条件）を抽出。
2. ポジティブ生成（パラフレーズ）: 意味は同じだが表現が異なる JD ペアを生成し、パラフレーズへの頑健性を学習。
3. ポジティブ生成（スタイルノイズ低減）: 要約からカード形式へのマッピングを行い、スタイルのばらつきを除去。
4. ハードネガティブ生成（役割境界）: 同じタイトルだが、権限や範囲が浅い（例：シニア vs ジュニア、リード vs サポート）JD を生成し、役割の境界を明確に分離させる。
5. ハードネガティブ生成（制約条件の衝突）: 必須条件（例：特定の資格、所在地）のみを反転させた JD を生成し、制約条件への感受性を学習させる。
   これにより、3,317 件の実 JD から 28,561 件の JD-JD ペアと、多様な JD-CV 合成データセットを構築しました。

2.2 段階的適応：2 段階の LoRA 微調整

汎用エンコーダー（Jina Embeddings v3）を、2 段階の LoRA（Low-Rank Adaptation）でドメイン適応させます。

• ラウンド 1（JD-JD ドメインアライメント）: 上記で生成した JD-JD データセットを用いて、採用ドメイン特有のセマンティクスと、役割境界の分離を学習します。パラフレーズ頑健性、役割境界の分離、制約条件の衝突検出を段階的に学習させるカリキュラム学習を採用しています。
• ラウンド 2（JD-CV トリプレットアライメント）: ラウンド 1 でドメイン適応されたモデルをベースに、JD と履歴書（CV）の異種テキスト間のギャップを埋めるために、JD-CV トリプレットデータで微調整を行います。Multiple Negatives Ranking Loss (MNRL) を使用し、バッチ内の他のポジティブサンプルもネガティブとして扱うことで、効率的なアライメントを実現します。

2.3 軽量な局所修正：BoundaryHead

エンコーダーの適応後も残る、局所的な「役割境界の混同」を修正するために、軽量な MLP（Multi-Layer Perceptron）である BoundaryHead を導入します。

• 機能: 凍結されたエンコーダーの出力（JD と CV の埋め込み）を入力とし、役割境界の不一致スコア（0〜1）を出力します。
• 入力特徴量: 埋め込みの結合、絶対値の差、要素ごとの積など、4 つの相互作用信号を結合します。
• 最終スコア: 最終的なランキングスコアは、cosine_similarity - λ * boundary_score として計算され、境界不一致が検出された候補を降格させます。
• 利点: 重たいクロスエンコーダーを導入することなく、Top-K 候補に対して局所的な修正を加えることで、計算コストを抑えつつ精度を向上させます。

3. 主要な貢献

1. 問題の再定義: 採用候補者の発掘を「リコール（Recall）優先」の再ランク付け問題として捉え、エラーの主要因が「一般的な意味的関連性」ではなく「役割境界や必須条件のニアミス」であることを特定しました。
2. 低コストな LLM 教師信号パイプライン: 5 段階のプロンプト設計により、実 JD から構造化されたポジティブ/ハードネガティブを生成し、パラフレーズ頑健性、役割境界の分離、制約条件への感受性を低コストで学習させました。
3. 2 段階適応パイプライン: JD-JD でのドメイン適応と、JD-CV での異種アライメントを順次行うことで、リコールの大幅な向上を実現しました。
4. 軽量な BoundaryHead: 重たい再ランク付けモデルを使わず、エンコーダーの上に軽量な修正ヘッドを乗せることで、ニアミス候補の局所的な降格を可能にしました。
5. 評価の確立: 実運用に近いローカルプール（300 JD）と、大規模なグローバルプール（44,138 候補、LLM による評価）を用いた評価プロトコルを確立し、エンコーダーの適応がリコール向上の主要因であることを実証しました。

4. 実験結果

• ローカルプール（実運用シミュレーション）:
  • 上流の検索システムが返した候補リスト（1 件あたり約 200 名）を再ランク付けするタスクにおいて、ベースライン（Jina v3）と比較して Recall@50 が 68.89% から 77.55% へ、Precision@10 が 35.77% から 39.62% へ向上しました。
  • 提案モデルは、Qwen3-Embedding-4B や Jina v4 といった大規模な汎用エンコーダーよりも高いリコールを達成しました。
• グローバルプール（広域評価）:
  • 44,138 名の候補者プールに対する評価では、Recall@200 が 0.5969（ベースライン）から 0.7047 へ向上しました。
• アブレーション研究:
  • ラウンド 1（JD-JD 適応）のみではリコールは向上するものの、Precision が低下する傾向がありました。
  • ラウンド 2（JD-CV 適応）によってリコールと Precision の両方が大幅に改善しました。
  • BoundaryHead は、特に中程度のレビュー予算（Top-30〜40）において、さらに安定した改善をもたらしました。

5. 意義と結論

本研究は、採用マッチングのような高リスクな選別タスクにおいて、単にエンコーダーを大きくするのではなく、**「どの失敗モード（役割境界の混同など）に焦点を当てて教師信号を設計するか」**が重要であることを示しました。

• データ効率: 大規模な人手ラベルデータが不要であり、LLM による合成データと少量の実 JD で高品質なドメイン適応が可能であることを実証しました。
• 実用性: 計算コストの高いクロスエンコーダーを使わず、軽量なエンコーダーと修正ヘッドの組み合わせで、実用的なリコール向上を実現しました。
• 汎用性: このアプローチは、採用だけでなく、法務文書の発見（Legal Discovery）や臨床マッチングなど、ニアミス候補の識別が重要な他の高リスク選別タスクにも応用可能な示唆を与えています。

結論として、Mira-Embeddings-V1 は、LLM 合成データによる効率的な教師信号と、境界認識型の軽量再ランク付けを組み合わせることで、採用現場における候補者リストの質と網羅性を同時に向上させる有効な手法です。