論文の概要: Deep Job Understanding at LinkedIn

• arxiv url: http://arxiv.org/abs/2006.12425v1
• Date: Fri, 29 May 2020 20:04:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 22:46:16.411507
• Title: Deep Job Understanding at LinkedIn
• Title（参考訳）: LinkedInにおけるDeep Job Understanding
• Authors: Shan Li, Baoxu Shi, Jaewon Yang, Ji Yan, Shuai Wang, Fei Chen, Qi He
• Abstract要約: ドメイン固有のジョブ理解モデルを作成するために、Deep Transfer Learningを適用します。 職業は職種、技能、企業、評価に関する質問を含む専門機関によって代表される。 LinkedInのジョブ理解能力を継続的に改善するため、専門家のフィードバックループを設計しました。
• 参考スコア（独自算出の注目度）: 17.10410824481104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As the world's largest professional network, LinkedIn wants to create economic opportunity for everyone in the global workforce. One of its most critical missions is matching jobs with processionals. Improving job targeting accuracy and hire efficiency align with LinkedIn's Member First Motto. To achieve those goals, we need to understand unstructured job postings with noisy information. We applied deep transfer learning to create domain-specific job understanding models. After this, jobs are represented by professional entities, including titles, skills, companies, and assessment questions. To continuously improve LinkedIn's job understanding ability, we designed an expert feedback loop where we integrated job understanding models into LinkedIn's products to collect job posters' feedback. In this demonstration, we present LinkedIn's job posting flow and demonstrate how the integrated deep job understanding work improves job posters' satisfaction and provides significant metric lifts in LinkedIn's job recommendation system.
• Abstract（参考訳）: 世界最大のプロフェッショナルネットワークであるLinkedInは、グローバルな労働者全員に経済的機会を創り出そうとしている。 最も重要なミッションの1つは、仕事とプロセスの整合性です。 ジョブターゲティングの精度の向上と採用効率の向上は、LinkedInのメンバファーストモットーと一致している。 これらの目標を達成するには、ノイズのある情報を含む非構造化ジョブポストを理解する必要がある。 ドメイン固有のジョブ理解モデルを作成するために、Deep Transfer Learningを適用した。 その後、職業は、肩書き、技能、会社、評価問題を含む専門職によって表される。 linkedinのジョブ理解能力を継続的に改善するために、我々は、linkedinの製品にジョブ理解モデルを統合し、ジョブポスターのフィードバックを集めるエキスパートフィードバックループを設計しました。 このデモでは、LinkedInの求人フローを示し、統合されたディープジョブ理解作業が、求人ポスターの満足度をいかに向上させ、LinkedInの求人推薦システムにおいて重要なメトリクスリフトを提供するかを示す。

関連論文リスト

• Nasdaq-100 Companies' Hiring Insights: A Topic-based Classification Approach to the Labor Market [0.0]
  本稿では,現代のオンライン労働市場における職種分類のためのデータマイニング手法を提案する。 マーケティング、ブランディング、セールス、ソフトウェアエンジニアリング、ハードウェアエンジニアリング、産業エンジニアリング、プロジェクトマネジメントの13の職種が、最も頻繁に投稿される職種である。
  論文  参考訳（メタデータ） (2024-09-01T08:18:56Z)
• Understanding and Modeling Job Marketplace with Pretrained Language Models [46.05972662117288]
  ジョブマーケットプレース(Job marketplace)は、メンバー(ジョブ・シーカー)、企業、およびジョブ間のインタラクションで構成される異質なグラフである。 既存のグラフニューラルネットワーク(GNN)に基づく手法は、関連するテキストの特徴と異種関係の理解が浅い。 PLM4Jobは、事前学習言語モデル(PLM)とジョブ市場グラフを密結合した求人市場基盤モデルである。
  論文  参考訳（メタデータ） (2024-08-08T11:35:52Z)
• LiPost: Improved Content Understanding With Effective Use of Multi-task Contrastive Learning [2.611731148829789]
  多様なセマンティックラベリングタスクから得られたデータとマルチタスクのコントラスト学習を用いて、事前学習されたトランスフォーマーベースのLLMを微調整する。 我々のモデルはゼロショット学習のベースラインを上回り、多言語サポートの改善を提供する。 この作業は、LLMを特定のアプリケーションにカスタマイズし、微調整するLinkedInの垂直チームにとって、堅牢な基盤を提供する。
  論文  参考訳（メタデータ） (2024-05-18T17:28:29Z)
• LiRank: Industrial Large Scale Ranking Models at LinkedIn [21.24938719541942]
  LiRankはLinkedInの大規模ランキングフレームワークである。 我々はResidual DCNを含むいくつかのモデリングの改善を公表した。 本稿では、フィードランキング、求人推薦、広告クリックスルー率(CTR)予測といった大規模ユースケースに対するデプロイメント設定の詳細について述べる。
  論文  参考訳（メタデータ） (2024-02-10T01:47:10Z)
• TAROT: A Hierarchical Framework with Multitask Co-Pretraining on Semi-Structured Data towards Effective Person-Job Fit [60.31175803899285]
  本稿では,階層型マルチタスク協調訓練フレームワークであるTAROTを提案する。 TAROTは、プロファイルとジョブにおける半構造化テキストをターゲットにしており、取得したセマンティック情報を各レベルで制限するために、複数のきめ細かい事前訓練タスクと共に保持されている。
  論文  参考訳（メタデータ） (2024-01-15T07:57:58Z)
• Professional Network Matters: Connections Empower Person-Job Fit [62.20651880558674]
  本稿では,プロフェッショナルネットワークをPerson-Job Fitモデルに組み込むことの重要性を強調する。 CSAGNNにジョブ固有のアテンション機構を導入し、ノイズの多いプロフェッショナルネットワークを処理する。 提案手法の有効性を,LinkedInの3つの実世界の採用データセットを用いて実験的に評価することで実証する。
  論文  参考訳（メタデータ） (2023-12-19T06:44:44Z)
• Exploring Large Language Model for Graph Data Understanding in Online Job Recommendations [63.19448893196642]
  本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。 この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
  論文  参考訳（メタデータ） (2023-07-10T11:29:41Z)
• 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)
• Study of the usability of LinkedIn: a social media platform meant to connect employers and employees [91.3755431537592]
  本稿では,LinkedInのユーザビリティをユーザ評価と専門家評価の両方を用いて評価する。 LinkedInアプリケーションの全体的なユーザビリティは、SUS(System Usability Scale)を使用して測定されている。
  論文  参考訳（メタデータ） (2020-06-06T18:19:45Z)
• Learning to Ask Screening Questions for Job Postings [14.277596274680617]
  我々は、リクルーターがオンラインでスクリーニング質問をすることができる新しい製品を開発し、適任候補者のフィルタリングを容易にする。 LinkedInのアクティブなジョブに$20M(2000万ドル)のスクリーニング質問を追加するために、所定のジョブ投稿に対するスクリーニング質問を自動的に生成することを目的とした、新しいタスクを提案する。 歴史的データを持たない新しい製品であるため、我々は深層移動学習を用いて、限られたトレーニングデータで複雑なモデルを訓練する。
  論文  参考訳（メタデータ） (2020-04-30T17:18:17Z)

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。