論文の概要: Leveraging the Inherent Hierarchy of Vacancy Titles for Automated Job Ontology Expansion

• arxiv url: http://arxiv.org/abs/2004.02814v1
• Date: Mon, 6 Apr 2020 16:55:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 05:36:01.752359
• Title: Leveraging the Inherent Hierarchy of Vacancy Titles for Automated Job Ontology Expansion
• Title（参考訳）: 自動ジョブオントロジー拡張のためのVacancy Titleの継承階層の活用
• Authors: Jeroen Van Hautte, Vincent Schelstraete, Mika\"el Wornoo
• Abstract要約: 我々は、新しい職種の検出に対する、純粋にデータ駆動のアプローチを導入する。 我々の手法は概念的にシンプルで、非常に効率的で、従来のNERベースのアプローチと競合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning plays an ever-bigger part in online recruitment, powering intelligent matchmaking and job recommendations across many of the world's largest job platforms. However, the main text is rarely enough to fully understand a job posting: more often than not, much of the required information is condensed into the job title. Several organised efforts have been made to map job titles onto a hand-made knowledge base as to provide this information, but these only cover around 60\% of online vacancies. We introduce a novel, purely data-driven approach towards the detection of new job titles. Our method is conceptually simple, extremely efficient and competitive with traditional NER-based approaches. Although the standalone application of our method does not outperform a finetuned BERT model, it can be applied as a preprocessing step as well, substantially boosting accuracy across several architectures.
• Abstract（参考訳）: 機械学習は、オンライン採用においてずっと大きな役割を担い、世界最大の仕事プラットフォームの多くで、インテリジェントなマッチメイキングとジョブレコメンデーションに力を入れている。 しかし、メインのテキストがジョブの投稿を完全に理解するのに十分なことは滅多になく、必要となる情報の多くは肩書きに集約される。 この情報を提供するために、職種を手作りの知識ベースにマッピングするために、いくつかの組織的な取り組みがなされてきたが、これらはオンラインの空白の約60%しかカバーしていない。 我々は、新しい職種の検出に対する、純粋にデータ駆動のアプローチを導入する。 この手法は概念上シンプルで効率が良く,従来のnerベースの手法と競合する。 本手法のスタンドアロン応用は,微調整bertモデルに勝るものではないが,前処理ステップとしても適用でき,複数のアーキテクチャで精度が大幅に向上する。

関連論文リスト

• Forecasting Application Counts in Talent Acquisition Platforms: Harnessing Multimodal Signals using LMs [5.7623855432001445]
  本稿では,採用領域における新たな課題,すなわちアプリケーション数予測について論じる。 本稿では,既存の自己回帰型時系列予測手法が,この課題に対して不十分であることを示す。 簡単なエンコーダを用いて,様々なモダリティの求人メタデータを融合したマルチモーダルLMモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-19T01:18:32Z)
• Towards Efficient Resume Understanding: A Multi-Granularity Multi-Modal Pre-Training Approach [43.0592922448035]
  本稿では,効率的な再帰的理解を実現するための新しいモデル ERU を提案する。 まず,履歴書中のセグメントをテキスト情報,視覚情報,レイアウト情報を統合して符号化するレイアウト対応マルチモーダル融合変換器を提案する。 次に、履歴書から構造化情報を取り出すために、多粒度シーケンスラベリングタスクでモデルを微調整する。
  論文  参考訳（メタデータ） (2024-04-13T14:31:24Z)
• Distribution Matching for Multi-Task Learning of Classification Tasks: a Large-Scale Study on Faces & Beyond [62.406687088097605]
  マルチタスク学習(MTL)は、複数の関連するタスクを共同で学習し、共有表現空間から恩恵を受けるフレームワークである。 MTLは、ほとんど重複しない、あるいは重複しないアノテーションで分類タスクで成功することを示す。 本稿では,分散マッチングによるタスク間の知識交換を可能にする新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-02T14:18:11Z)
• Pre-training Multi-task Contrastive Learning Models for Scientific Literature Understanding [52.723297744257536]
  事前学習言語モデル(LM)は、科学文献理解タスクにおいて有効であることを示す。 文献理解タスク間の共通知識共有を容易にするために,マルチタスクのコントラスト学習フレームワークであるSciMultを提案する。
  論文  参考訳（メタデータ） (2023-05-23T16:47:22Z)
• Learning Job Titles Similarity from Noisy Skill Labels [0.11498015270151059]
  職名間のセマンティックな類似度を測定することは、仕事の自動推薦に不可欠な機能である。 本稿では,ノイズのあるスキルラベルを用いた職名類似性モデルの訓練のための教師なし表現学習手法を提案する。
  論文  参考訳（メタデータ） (2022-07-01T15:30:10Z)
• Hierarchical Skills for Efficient Exploration [70.62309286348057]
  強化学習において、事前訓練された低レベルスキルは、探索を大幅に促進する可能性がある。 下流タスクの以前の知識は、スキルデザインにおける一般性(きめ細かい制御)と特異性(より高速な学習)の適切なバランスをとるために必要である。 教師なしの方法で様々な複雑さのスキルを習得する階層的スキル学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-20T22:29:32Z)
• JobBERT: Understanding Job Titles through Skills [12.569546741576515]
  ジョブタイトルは、今日の人事(人事)プロセスの基盤を形成します。 ジョブタイトルはコンパクトで便利で、簡単に利用できるデータソースです。 本稿では,空き地から抽出したスキルラベルからの共起情報を事前学習した言語モデルに付加することにより,求職者のニューラル表現モデルを提案する。
  論文  参考訳（メタデータ） (2021-09-20T15:00:10Z)
• DAGA: Data Augmentation with a Generation Approach for Low-resource Tagging Tasks [88.62288327934499]
  線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。 本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
  論文  参考訳（メタデータ） (2020-11-03T07:49:15Z)
• COG: Connecting New Skills to Past Experience with Offline Reinforcement Learning [78.13740204156858]
  我々は、動的プログラミングによって新しいスキルを拡張するために、事前データを再利用できることを示します。 我々は、新しいタスクを解決するために、以前のデータセットに見られるいくつかの動作をチェーンすることで、アプローチの有効性を実証する。 我々は、高次元画像観察を低レベルのロボット制御コマンドにマッピングし、エンドツーエンドでポリシーを訓練する。
  論文  参考訳（メタデータ） (2020-10-27T17:57:29Z)
• 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)
• Transfer Learning for Information Extraction with Limited Data [2.201264358342234]
  本稿では,詳細な情報抽出への実践的アプローチを提案する。 まずBERTを利用して、実際のシナリオにおけるトレーニングデータの制限に対処します。 次に、BERTを畳み込みニューラルネットワークで積み重ねて、分類のための隠れ表現を学習する。
  論文  参考訳（メタデータ） (2020-03-06T08:08:20Z)

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。