論文の概要: JobBERT: Understanding Job Titles through Skills

• arxiv url: http://arxiv.org/abs/2109.09605v1
• Date: Mon, 20 Sep 2021 15:00:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:35:35.397934
• Title: JobBERT: Understanding Job Titles through Skills
• Title（参考訳）: JobBERT: スキルによる仕事のタイトル理解
• Authors: Jens-Joris Decorte, Jeroen Van Hautte, Thomas Demeester, Chris Develder
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.569546741576515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Job titles form a cornerstone of today's human resources (HR) processes. Within online recruitment, they allow candidates to understand the contents of a vacancy at a glance, while internal HR departments use them to organize and structure many of their processes. As job titles are a compact, convenient, and readily available data source, modeling them with high accuracy can greatly benefit many HR tech applications. In this paper, we propose a neural representation model for job titles, by augmenting a pre-trained language model with co-occurrence information from skill labels extracted from vacancies. Our JobBERT method leads to considerable improvements compared to using generic sentence encoders, for the task of job title normalization, for which we release a new evaluation benchmark.
• Abstract（参考訳）: 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。 オンラインリクルートでは、候補者は空席の内容を一目で理解できるが、社内人事部はそれらを使って多くのプロセスを整理し構成する。 ジョブタイトルはコンパクトで便利で手軽に利用できるデータソースであるため、高い精度でそれらをモデリングすることは、多くの人事技術アプリケーションにとって大きな恩恵となる。 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用いて,事前学習した言語モデルを拡張した求職者のニューラル表現モデルを提案する。 ジョブBERT法は,ジョブタイトル正規化のタスクにおいて汎用文エンコーダを使用する場合に比べて大幅に改善され,新たな評価ベンチマークがリリースされた。

関連論文リスト

• 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)
• Distilling Large Language Models using Skill-Occupation Graph Context for HR-Related Tasks [8.235367170516769]
  幅広いHRタスクに対応するためにResume-Job Description Benchmark (RJDB)を導入する。 私たちのベンチマークには、ジョブ記述、マッチした履歴書、未一致の履歴書が5万件以上含まれています。 実験の結果,学生モデルは教師モデル(GPT-4)よりも近・近性能が得られ,ベンチマークの有効性が確認された。
  論文  参考訳（メタデータ） (2023-11-10T20:25:42Z)
• SkillRec: A Data-Driven Approach to Job Skill Recommendation for Career Insights [0.3121997724420106]
  SkillRecは、これらの役割を雇用する企業が公開する仕事の説明に基づいて、仕事に必要なスキルを収集し、特定する。 6,000の職種と記述のデータセットに関する予備実験に基づいて、SkillRecは精度とF1スコアの点で有望なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-02-20T12:07:57Z)
• 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)
• KnowDA: All-in-One Knowledge Mixture Model for Data Augmentation in Few-Shot NLP [68.43279384561352]
  既存のデータ拡張アルゴリズムはタスク非依存のルールや微調整の汎用事前訓練言語モデルを利用する。 これらの手法は、簡単なタスク固有の知識を持ち、単純なタスクにおいて弱いベースラインのための低品質な合成データを得るに限られる。 我々は,様々なNLPタスクを予め学習したエンコーダ/デコーダLMの知識混合データ拡張モデル(KnowDA)を提案する。
  論文  参考訳（メタデータ） (2022-06-21T11:34:02Z)
• 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)
• XtremeDistilTransformers: Task Transfer for Task-agnostic Distillation [80.18830380517753]
  我々は新しいタスク非依存蒸留フレームワーク XtremeDistilTransformers を開発した。 本研究は, 蒸留における複数のソースタスク, 拡張資源, モデルアーキテクチャの伝達可能性について検討する。
  論文  参考訳（メタデータ） (2021-06-08T17:49:33Z)
• Reinforced Iterative Knowledge Distillation for Cross-Lingual Named Entity Recognition [54.92161571089808]
  言語間NERは、知識をリッチリソース言語から低リソース言語に転送する。 既存の言語間NERメソッドは、ターゲット言語でリッチなラベル付けされていないデータをうまく利用しない。 半教師付き学習と強化学習のアイデアに基づく新しいアプローチを開発する。
  論文  参考訳（メタデータ） (2021-06-01T05:46:22Z)
• 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)
• 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)
• Leveraging the Inherent Hierarchy of Vacancy Titles for Automated Job Ontology Expansion [0.0]
  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。
  論文  参考訳（メタデータ） (2020-04-06T16:55:41Z)

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。