論文の概要: Improving Next-Application Prediction with Deep Personalized-Attention Neural Network

• arxiv url: http://arxiv.org/abs/2111.11296v1
• Date: Tue, 9 Nov 2021 10:52:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-28 20:04:58.034084
• Title: Improving Next-Application Prediction with Deep Personalized-Attention Neural Network
• Title（参考訳）: ディープパーソナライズアテンションニューラルネットワークによる次世代予測の改善
• Authors: Jun Zhu, Gautier Viaud, C\'eline Hudelot
• Abstract要約: 我々は、求職者のキャリア選好を改善するために、次のイデムレコメンデーションアプローチを活用することを提案する。 提案手法はPersonalized-Attention Next-Application Prediction (PANAP) と呼ばれる3つのモジュールから構成される。 CareerBuilder12データセットの公開実験は、私たちのアプローチに対する関心を示しています。
• 参考スコア（独自算出の注目度）: 27.71640897308797
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, due to the ubiquity and supremacy of E-recruitment platforms, job recommender systems have been largely studied. In this paper, we tackle the next job application problem, which has many practical applications. In particular, we propose to leverage next-item recommendation approaches to consider better the job seeker's career preference to discover the next relevant job postings (referred to jobs for short) they might apply for. Our proposed model, named Personalized-Attention Next-Application Prediction (PANAP), is composed of three modules. The first module learns job representations from textual content and metadata attributes in an unsupervised way. The second module learns job seeker representations. It includes a personalized-attention mechanism that can adapt the importance of each job in the learned career preference representation to the specific job seeker's profile. The attention mechanism also brings some interpretability to learned representations. Then, the third module models the Next-Application Prediction task as a top-K search process based on the similarity of representations. In addition, the geographic location is an essential factor that affects the preferences of job seekers in the recruitment domain. Therefore, we explore the influence of geographic location on the model performance from the perspective of negative sampling strategies. Experiments on the public CareerBuilder12 dataset show the interest in our approach.
• Abstract（参考訳）: 近年,E-Recruitment プラットフォームの普及と優位性により,求人推薦システムの研究が盛んに行われている。 本稿では,多くの実践的応用がある次のジョブアプリケーション問題に取り組む。 特に、求職者のキャリア選好を改善するために、次項目の推薦アプローチを活用し、適用可能な次の関連する求人(略してジョブを参照)を発見することを提案する。 提案手法はPersonalized-Attention Next-Application Prediction (PANAP) と呼ばれる3つのモジュールから構成される。 最初のモジュールは、テキストコンテンツとメタデータ属性から、教師なしの方法でジョブ表現を学習する。 第2のモジュールは、ジョブシークター表現を学習する。 これには、学習したキャリア選好表現における各ジョブの重要性を、特定の求職者のプロファイルに適応させるパーソナライズ・アテンション機構が含まれる。 注意機構は学習した表現にいくつかの解釈可能性をもたらす。 次に、3番目のモジュールは、表現の類似性に基づいて、Next-Application PredictionタスクをトップK検索プロセスとしてモデル化する。 また,採用領域における求職者の嗜好に影響を与える重要な要因として地理的位置があげられる。 そこで我々は, 負のサンプリング戦略の観点から, 地理的位置がモデル性能に与える影響を考察した。 CareerBuilder12データセットの公開実験は、私たちのアプローチに対する関心を示しています。

関連論文リスト

• 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)
• Generative Job Recommendations with Large Language Model [32.99532175346021]
  GIRL(GeneratIve job Recommendation based on Large Language model)は、LLM(Large Language Models)分野の最近の進歩に触発された新しいアプローチである。 我々は、求職者のCV(Curriculum Vitae)に基づいて、適切なジョブ記述(JD)を作成する際に、LLMベースのジェネレータを指導するために、スーパーバイザードファインタニング(SFT)戦略を採用する。 特に、GIRLは求職者中心の生成モデルとして機能し、候補セットを必要とせずに求職提案を提供する。
  論文  参考訳（メタデータ） (2023-07-05T09:58:08Z)
• CHORUS: Foundation Models for Unified Data Discovery and Exploration [6.85448651843431]
  基礎モデルは,データ発見およびデータ探索領域に適用可能であることを示す。 基礎モデルに基づくアプローチは,タスク固有のモデルよりも優れており,その技術の現状を示す。 これは、異なるデータ管理タスクを基礎モデルの下で統一できる将来的な方向性を示唆している。
  論文  参考訳（メタデータ） (2023-06-16T03:58:42Z)
• Large Language Models in the Workplace: A Case Study on Prompt Engineering for Job Type Classification [58.720142291102135]
  本研究では,実環境における職種分類の課題について検討する。 目標は、英語の求職が卒業生やエントリーレベルの地位に適切かどうかを判断することである。
  論文  参考訳（メタデータ） (2023-03-13T14:09:53Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Glimpse-Attend-and-Explore: Self-Attention for Active Visual Exploration [47.01485765231528]
  アクティブな視覚探索は、限られた視野を持つエージェントが部分的な観察に基づいて環境を理解するのを支援することを目的としている。 タスク固有の不確実性マップではなく、自己注意を用いて視覚探索をガイドするGlimpse-Attend-and-Exploreモデルを提案する。 私たちのモデルは、探索を駆動する際のデータセットバイアスに頼らずに、奨励的な結果を提供します。
  論文  参考訳（メタデータ） (2021-08-26T11:41:03Z)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• Exploiting Behavioral Consistence for Universal User Representation [11.290137806288191]
  我々は普遍的ユーザ表現モデルの開発に注力する。 得られた普遍表現には豊富な情報が含まれることが予想される。 行動データを普遍表現にエンコードする自己監視型ユーザモデリングネットワーク(SUMN)を提案する。
  論文  参考訳（メタデータ） (2020-12-11T06:10:14Z)

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。