論文の概要: Job2Vec: Job Title Benchmarking with Collective Multi-View
Representation Learning
- arxiv url: http://arxiv.org/abs/2009.07429v1
- Date: Wed, 16 Sep 2020 02:33:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 00:03:32.984628
- Title: Job2Vec: Job Title Benchmarking with Collective Multi-View
Representation Learning
- Title（参考訳）: Job2Vec: 集合的マルチビュー表現学習によるジョブタイトルベンチマーク
- Authors: Denghui Zhang, Junming Liu, Hengshu Zhu, Yanchi Liu, Lichen Wang,
Pengyang Wang, Hui Xiong
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 51.34011135329063
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Job Title Benchmarking (JTB) aims at matching job titles with similar
expertise levels across various companies. JTB could provide precise guidance
and considerable convenience for both talent recruitment and job seekers for
position and salary calibration/prediction. Traditional JTB approaches mainly
rely on manual market surveys, which is expensive and labor-intensive.
Recently, the rapid development of Online Professional Graph has accumulated a
large number of talent career records, which provides a promising trend for
data-driven solutions. However, it is still a challenging task since (1) the
job title and job transition (job-hopping) data is messy which contains a lot
of subjective and non-standard naming conventions for the same position (e.g.,
Programmer, Software Development Engineer, SDE, Implementation Engineer), (2)
there is a large amount of missing title/transition information, and (3) one
talent only seeks limited numbers of jobs which brings the incompleteness and
randomness modeling job transition patterns. To overcome these challenges, we
aggregate all the records to construct a large-scale Job Title Benchmarking
Graph (Job-Graph), where nodes denote job titles affiliated with specific
companies and links denote the correlations between jobs. We reformulate the
JTB as the task of link prediction over the Job-Graph that matched job titles
should have links. Along this line, we propose a collective multi-view
representation learning method (Job2Vec) by examining the Job-Graph jointly in
(1) graph topology view, (2)semantic view, (3) job transition balance view, and
(4) job transition duration view. We fuse the multi-view representations in the
encode-decode paradigm to obtain a unified optimal representation for the task
of link prediction. Finally, we conduct extensive experiments to validate the
effectiveness of our proposed method.
- Abstract（参考訳）: 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。
JTBは、人材募集と求職者のポジションと給与の調整・予測の両方に正確なガイダンスと利便性を提供することができる。
従来のjtbアプローチは、主に高価で労働集約的な手動市場調査に依存している。
最近、Online Professional Graphの急速な開発が、大量のタレントキャリア記録を蓄積し、データ駆動型ソリューションに有望なトレンドをもたらしている。
しかし、(1)肩書とジョブトランジション(job-hopping)のデータは同じ位置(プログラマ、ソフトウェア開発エンジニア、sde、実装エンジニアなど)に多くの主観的および非標準的な命名規則を含む乱雑なデータであり、(2)タイトル/トランジション情報が不足していること、(3)ある才能が不完全さと無作為性モデリングのジョブトランジションパターンをもたらす限られた仕事だけを求めること、など、依然として困難な課題である。
これらの課題を克服するために、我々はすべてのレコードを集約して、特定の企業に関連付けられたジョブタイトルと、ジョブ間の相関を示す大規模なジョブタイトルベンチマークグラフ(Job-Graph)を構築する。
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構成し、ジョブタイトルにマッチするリンクを持つべきである。
本稿では,(1)グラフトポロジビュー,(2)セマンティックビュー,(3)ジョブ遷移バランスビュー,(4)ジョブ遷移期間ビューにおいて,ジョブグラフを併用して総合的な多視点表現学習手法(Job2Vec)を提案する。
我々は,エンコード・デコードパラダイムの多視点表現を融合して,リンク予測タスクのための統一された最適表現を得る。
最後に,提案手法の有効性を検証するための実験を行った。
関連論文リスト
- 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) - On Task-personalized Multimodal Few-shot Learning for Visually-rich
Document Entity Retrieval [59.25292920967197]
VDER(Few-shot document entity search)は、NLPアプリケーションにおいて重要なトピックである。
FewVEXは、エンティティレベルの少数ショットVDERの分野における将来の研究を促進するための、新しいデータセットである。
本稿では,タスクパーソナライズを効果的に実現することを中心に,タスク認識型メタラーニングベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-01T17:51:43Z) - One for All: Towards Training One Graph Model for All Classification Tasks [61.656962278497225]
様々なグラフタスクの統一モデルは、主にグラフ学習領域に固有の課題のために、まだ探索されていない。
上記の課題に対処するために単一のグラフモデルを使用できる最初の汎用フレームワークである textbfOne for All (OFA) を提案する。
OFAは様々なタスクでうまく機能し、グラフ上の最初の汎用のクロスドメイン分類モデルとなる。
論文 参考訳（メタデータ） (2023-09-29T21:15:26Z) - AIMS: All-Inclusive Multi-Level Segmentation [93.5041381700744]
視覚領域を3つのレベル(パート、エンティティ、リレーション)に分割するタスクであるAll-Inclusive Multi-Level(AIMS)を提案する。
また、アノテーションの不整合とタスク相関の2つの大きな課題に対処するために、マルチデータセットのマルチタスクトレーニングを通じて統合されたAIMSモデルを構築します。
論文 参考訳（メタデータ） (2023-05-28T16:28:49Z) - A practical method for occupational skills detection in Vietnamese job
listings [0.16114012813668932]
正確でタイムリーな労働市場情報の欠如は、スキルミスマッチにつながる。
従来のアプローチは、既存の分類学および/または大きな注釈付きデータに依存している。
ベトナムの求人求職者におけるスキル検出のための実践的手法を提案する。
論文 参考訳（メタデータ） (2022-10-26T10:23:18Z) - Towards Job-Transition-Tag Graph for a Better Job Title Representation
Learning [28.571113863266916]
我々は、textitJob-Transition-Tag Graphに埋め込まれたノードの埋め込みを学習するタスクとして、職名表現学習を再構築する。
2つのデータセットの実験は、我々のアプローチの関心を示しています。
論文 参考訳（メタデータ） (2022-05-04T12:11:31Z) - Arch-Graph: Acyclic Architecture Relation Predictor for
Task-Transferable Neural Architecture Search [96.31315520244605]
Arch-Graphはタスク固有の最適アーキテクチャを予測するトランスファー可能なNASメソッドである。
Arch-Graphの転送性と,多数のタスクにわたる高いサンプル効率を示す。
わずか50モデルの予算の下で、2つの検索スペースで平均して0.16%と0.29%のアーキテクチャを見つけることができる。
論文 参考訳（メタデータ） (2022-04-12T16:46:06Z) - 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) - 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) - JPLink: On Linking Jobs to Vocational Interest Types [14.12186042953335]
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。
論文 参考訳（メタデータ） (2020-02-06T23:56:46Z)
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。