med2425/resume-job-fit-merged-v1

--- dataset_info: features: - name: resume dtype: string - name: jd dtype: string - name: label dtype: string - name: source dtype: string - name: resume_domain dtype: string - name: jd_domain dtype: string splits: - name: train num_bytes: 699473455 num_examples: 80017 - name: test num_bytes: 125960894 num_examples: 13716 download_size: 300877211 dataset_size: 825434349 configs: - config_name: default data_files: - split: train path: data/train-* - split: test path: data/test-* language: - en --- # Resume-Job Fit Dataset (Merged) **A high-quality dataset for training models to evaluate how well a resume fits a job description.** This dataset is designed for **multi-class text classification** (Good Fit / Potential Fit / No Fit). ## Dataset Summary | Split | Examples | |---------|----------| | **train** | 80,017 | | **test** | 13,716 | **Total: 93,733 examples** ## Features - **`resume`** (`string`): Complete resume text - **`jd`** (`string`): Complete job description text - **`label`** (`string`): `Good Fit`, `Potential Fit`, or `No Fit` - **`source`** (`string`): Origin of the example (`ds1_original`, `generated_smart`, `synthetic_test`, ...) - **`resume_domain`** (`string`): Detected domain of the resume - **`jd_domain`** (`string`): Detected domain of the job description ## Data Generation Process ### Training Set - Combined two public datasets: `cnamuangtoun/resume-job-description-fit` and `kens1ang/resume-job-fit-augmented` - Removed exact duplicates using MD5 hashing - Generated smart cross-domain pairs using domain classification and adjacency rules - Labeled using **Qwen2.5-32B** (via Ollama, temperature=0) as an expert recruiter ### Test Set - Created from the original test split to prevent data leakage - Generated challenging synthetic pairs with the same domain logic - No text truncation applied - Independently labeled by **Qwen2.5-32B** ## Label Definitions - **Good Fit**: Strong match in skills, experience, education, and role requirements. - **Potential Fit**: Partial match — candidate has potential but clear gaps exist. - **No Fit**: Significant mismatch in key requirements. ## Domains Covered `software`, `data`, `ai`, `finance`, `marketing`, `healthcare`, `management`, `sales`, `design`, `hr`, `legal`, `engineering`, `other` ## Usage ```python from datasets import load_dataset dataset = load_dataset("med2425/resume-job-fit-merged-v1") train = dataset["train"] test = dataset["test"] print(train[0]) ``` ## Citation ```bibtex @misc{resume-job-fit-merged-v1, title = {Resume-Job Fit Dataset}, author = {Mohamed Douali}, year = {2026}, publisher = {Hugging Face}, howpublished = {\url{https://huggingface.co/datasets/med2425/resume-job-fit-merged-v1}} }数据集信息： 特征： - 名称：resume（简历），数据类型：字符串 - 名称：jd（职位描述，Job Description，简称JD），数据类型：字符串 - 名称：label（标签），数据类型：字符串 - 名称：source（来源），数据类型：字符串 - 名称：resume_domain（简历所属领域），数据类型：字符串 - 名称：jd_domain（职位描述所属领域），数据类型：字符串 划分集： - 名称：train（训练集），字节大小：699473455，样本数：80017 - 名称：test（测试集），字节大小：125960894，样本数：13716 下载大小：300877211 字节 总数据集大小：825434349 字节 配置项： - 配置名称：default（默认），数据文件： - 划分训练集：路径为 data/train-* - 划分测试集：路径为 data/test-* 语言：英语 # 简历-职位匹配数据集（合并版） 一款用于训练模型评估简历与职位描述匹配度的高质量数据集。 本数据集专为**多分类文本分类（multi-class text classification）**任务设计，标签集合为「匹配良好（Good Fit）」、「潜在匹配（Potential Fit）」与「不匹配（No Fit）」。 ## 数据集概览 | 划分集 | 样本数 | |--------|--------| | 训练集 | 80,017 | | 测试集 | 13,716 | **总计：93,733 条样本** ## 特征说明 - **`resume`（字符串类型）**：完整简历文本 - **`jd`（字符串类型）**：完整职位描述文本 - **`label`（字符串类型）**：标签可取值为 `Good Fit`、`Potential Fit` 或 `No Fit` - **`source`（字符串类型）**：样本来源（如 `ds1_original`、`generated_smart`、`synthetic_test` 等） - **`resume_domain`（字符串类型）**：检测得到的简历所属领域 - **`jd_domain`（字符串类型）**：检测得到的职位描述所属领域 ## 数据生成流程 ### 训练集 - 合并两个公开数据集：`cnamuangtoun/resume-job-description-fit` 与 `kens1ang/resume-job-fit-augmented` - 通过 MD5 哈希算法去除完全重复的样本 - 基于领域分类与邻接规则生成智能跨领域样本对 - 由 **Qwen2.5-32B**（通过 Ollama 调用，温度参数设为 0）以专业招聘专员的身份完成标注 ### 测试集 - 源自原始测试划分以避免数据泄露 - 采用相同领域逻辑生成具有挑战性的合成样本对 - 未对文本进行截断处理 - 由 **Qwen2.5-32B** 独立完成标注 ## 标签定义 - **匹配良好（Good Fit）**：在技能、工作经验、学历与岗位要求上高度契合 - **潜在匹配（Potential Fit）**：部分契合——候选人具备适配潜力但存在明显能力缺口 - **不匹配（No Fit）**：核心岗位要求存在显著不符 ## 覆盖领域 `software`（软件）、`data`（数据）、`ai`（人工智能，AI）、`finance`（金融）、`marketing`（营销）、`healthcare`（医疗健康）、`management`（管理）、`sales`（销售）、`design`（设计）、`hr`（人力资源，Human Resources，简称HR）、`legal`（法务）、`engineering`（工程）、`other`（其他） ## 使用方法 python from datasets import load_dataset dataset = load_dataset("med2425/resume-job-fit-merged-v1") train = dataset["train"] test = dataset["test"] print(train[0]) ## 引用格式 bibtex @misc{resume-job-fit-merged-v1, title = {Resume-Job Fit Dataset}, author = {Mohamed Douali}, year = {2026}, publisher = {Hugging Face}, howpublished = {url{https://huggingface.co/datasets/med2425/resume-job-fit-merged-v1}} }