論文の概要: JPLink: On Linking Jobs to Vocational Interest Types

• arxiv url: http://arxiv.org/abs/2002.02557v1
• Date: Thu, 6 Feb 2020 23:56:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 12:39:52.750820
• Title: JPLink: On Linking Jobs to Vocational Interest Types
• Title（参考訳）: JPLink:職種を職業的興味タイプにリンク
• Authors: Amila Silva and Pei-Chi Lo and Ee-Peng Lim
• Abstract要約: 本稿では,RIASEC ラベルによるジョブ割り当てに対処する JPLink を提案する。 JPLinkはO*NETとして知られる職業固有の知識ベースで利用可能なドメイン知識を利用する。 我々はJPLinkの予測の誤り解析を行い、既存の求人情報にラベルの誤りを発見できることを示す。
• 参考スコア（独自算出の注目度）: 14.12186042953335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Linking job seekers with relevant jobs requires matching based on not only skills, but also personality types. Although the Holland Code also known as RIASEC has frequently been used to group people by their suitability for six different categories of occupations, the RIASEC category labels of individual jobs are often not found in job posts. This is attributed to significant manual efforts required for assigning job posts with RIASEC labels. To cope with assigning massive number of jobs with RIASEC labels, we propose JPLink, a machine learning approach using the text content in job titles and job descriptions. JPLink exploits domain knowledge available in an occupation-specific knowledge base known as O*NET to improve feature representation of job posts. To incorporate relative ranking of RIASEC labels of each job, JPLink proposes a listwise loss function inspired by learning to rank. Both our quantitative and qualitative evaluations show that JPLink outperforms conventional baselines. We conduct an error analysis on JPLink's predictions to show that it can uncover label errors in existing job posts.
• Abstract（参考訳）: 求職者と関連する仕事のリンクには、スキルだけでなくパーソナリティタイプに基づくマッチングが必要である。 RIASECとしても知られるホランド法典は、6つの異なる職業のカテゴリに適合して人々をグループ化するために頻繁に使用されているが、RIASECの個々の仕事のカテゴリーラベルは求職者には見つからないことが多い。 これはRIASECラベルにジョブポストを割り当てるのに必要な重要な手作業によるものである。 RIASECラベルに大量のジョブを割り当てることに対処するため,ジョブタイトルやジョブ記述のテキストコンテンツを用いた機械学習手法であるJPLinkを提案する。 jplinkはo*netとして知られる職業固有の知識ベースで利用可能なドメイン知識を利用して、ジョブポストの特徴表現を改善している。 各ジョブのRIASECラベルの相対的なランキングを組み込むため、JPLinkはランク付け学習にインスパイアされたリストワイズ損失関数を提案する。 定量的および質的評価から、jplinkは従来のベースラインよりも優れています。 我々はJPLinkの予測の誤り解析を行い、既存の求人情報にラベルの誤りを発見できることを示す。

関連論文リスト

• Combining Embeddings and Domain Knowledge for Job Posting Duplicate Detection [42.49221181099313]
  求人説明は、企業ウェブサイト、求人掲示板、ソーシャルメディアプラットフォームなど、多くのオンラインチャンネルに掲載されている。 プラットフォーム間でジョブの投稿を集約し、同じジョブを参照する重複記述を検出するのに役立つ。 重みに基づく文字類似性とテキスト埋め込みとキーワードマッチング法を組み合わせることで、説得力のある結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-06-10T13:38:15Z)
• Description-Enhanced Label Embedding Contrastive Learning for Text Classification [65.01077813330559]
  モデル学習プロセスにおける自己監督型学習(SSL)と新しい自己監督型関係関係(R2)分類タスクの設計 テキスト分類とR2分類を最適化対象として扱うテキスト分類のための関係学習ネットワーク(R2-Net)の関係について検討する。 ラベルセマンティックラーニングのためのマルチアスペクト記述を得るためのWordNetからの外部知識。
  論文  参考訳（メタデータ） (2023-06-15T02:19:34Z)
• Relational Multi-Task Learning: Modeling Relations between Data and Tasks [84.41620970886483]
  マルチタスク学習における主要な前提は、推論時にモデルが与えられたデータポイントにのみアクセスできるが、他のタスクからのデータポイントのラベルにはアクセスできないことである。 ここでは、補助的なタスクからデータポイントラベルを活用してより正確な予測を行う、新しいリレーショナルマルチタスク学習環境を提案する。 私たちはMetaLinkを開発し、そこではデータポイントとタスクを接続するナレッジグラフを構築します。
  論文  参考訳（メタデータ） (2023-03-14T07:15:41Z)
• Association Graph Learning for Multi-Task Classification with Category Shifts [68.58829338426712]
  関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。 我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。 我々の手法は代表的基準よりも一貫して性能が良い。
  論文  参考訳（メタデータ） (2022-10-10T12:37:41Z)
• Improving Candidate Retrieval with Entity Profile Generation for Wikidata Entity Linking [76.00737707718795]
  本稿では,エンティティ・プロファイリングに基づく新しい候補探索パラダイムを提案する。 我々は、このプロファイルを使用してインデックス付き検索エンジンに問い合わせ、候補エンティティを検索する。 本手法は,ウィキペディアのアンカーテキスト辞書を用いた従来の手法を補完するものである。
  論文  参考訳（メタデータ） (2022-02-27T17:38:53Z)
• JAMES: Normalizing Job Titles with Multi-Aspect Graph Embeddings and Reasoning [5.5324736938802435]
  オンライン求職市場では、様々な下流業務のための明確に定義された職名分類を確立することが重要である。 ジョブタイトル正規化(Job Title Normalization、JTN)は、ユーザーが作成した非標準ジョブを正規化されたジョブに分類するためのクリーニングステップである。 1) 異なる職種の意味的類似性,(2) 正規化されていない職種,(3) 大規模で長い職種。
  論文  参考訳（メタデータ） (2022-02-22T08:57:08Z)
• Predicting Job Titles from Job Descriptions with Multi-label Text Classification [0.0]
  ジョブ記述テキストから関連職名を予測するための多ラベル分類手法を提案する。 本稿では,Bio-GRU-LSTM-CNNを各種事前学習言語モデルで実装し,職種予測問題に適用する。
  論文  参考訳（メタデータ） (2021-12-21T09:31:03Z)
• R$^2$-Net: Relation of Relation Learning Network for Sentence Semantic Matching [58.72111690643359]
  文意味マッチングのための関係学習ネットワーク(R2-Net)を提案する。 最初にBERTを使用して、グローバルな視点から入力文をエンコードします。 次に、cnnベースのエンコーダは、ローカルな視点からキーワードやフレーズ情報をキャプチャするように設計されている。 関係情報抽出にラベルを十分に活用するために,関係分類タスクの自己教師付き関係性を導入する。
  論文  参考訳（メタデータ） (2020-12-16T13:11:30Z)
• Job2Vec: Job Title Benchmarking with Collective Multi-View Representation Learning [51.34011135329063]
  Job Title Benchmarking (JTB) は、様々な企業で同様の専門知識を持つ職種をマッチングすることを目的としている。 従来のJTBのアプローチは主に手作業による市場調査に依存しており、それは高価で労働集約的である。 我々はJTBをジョブ-グラフ上のリンク予測のタスクとして再編成し、ジョブタイトルにマッチするリンクはリンクを持つべきである。
  論文  参考訳（メタデータ） (2020-09-16T02:33:32Z)
• Item Tagging for Information Retrieval: A Tripartite Graph Neural Network based Approach [44.75731013014112]
  本稿では,アイテムノードとタグノード間のリンク予測問題として,アイテムタグの定式化を提案する。 この定式化により、多種類のノードとエッジを持つ異種グラフニューラルネットワークを利用するTagGNNモデルが得られる。 オープンデータセットとインダストリアルデータセットの両方の実験結果から,我々のTagGNNアプローチは最先端のマルチラベル分類手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-26T13:58:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。