論文の概要: JAMES: Job Title Mapping with Multi-Aspect Embeddings and Reasoning

• arxiv url: http://arxiv.org/abs/2202.10739v1
• Date: Tue, 22 Feb 2022 08:57:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-23 15:04:55.849767
• Title: JAMES: Job Title Mapping with Multi-Aspect Embeddings and Reasoning
• Title（参考訳）: JAMES: マルチアスペクトの埋め込みと推論によるジョブタイトルマッピング
• Authors: Michiharu Yamashita, Jia Tracy Shen, Hamoon Ekhtiari, Thanh Tran, Dongwon Lee
• Abstract要約: ジョブ・タイトルマッピング(JTM)は、ユーザーが作成した(騒がしくない)ジョブ・タイトルを事前定義された標準的なジョブ・タイトルにマッピングすることを目的としている。 対象のジョブの3つのユニークな埋め込みを構成する新しいソリューション JAMES を提案する。 我々は、35万以上の職種を持つ大規模な実世界のデータセット上で、競合する10のモデルに対して包括的な実験を行う。
• 参考スコア（独自算出の注目度）: 5.470255759828095
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: One of the most essential tasks needed for various downstream tasks in career analytics (e.g., career trajectory analysis, job mobility prediction, and job recommendation) is Job Title Mapping (JTM), where the goal is to map user-created (noisy and non-standard) job titles to predefined and standard job titles. However, solving JTM is domain-specific and non-trivial due to its inherent challenges: (1) user-created job titles are messy, (2) different job titles often overlap their job requirements, (3) job transition trajectories are inconsistent, and (4) the number of job titles in real world applications is large-scale. Toward this JTM problem, in this work, we propose a novel solution, named as JAMES, that constructs three unique embeddings of a target job title: topological, semantic, and syntactic embeddings, together with multi-aspect co-attention. In addition, we employ logical reasoning representations to collaboratively estimate similarities between messy job titles and standard job titles in the reasoning space. We conduct comprehensive experiments against ten competing models on the large-scale real-world dataset with more than 350,000 job titles. Our results show that JAMES significantly outperforms the best baseline by 10.06% in Precision@10 and by 17.52% in NDCG@10, respectively.
• Abstract（参考訳）: キャリア分析において、さまざまな下流タスクに必要なタスク(例えば、キャリアの軌道分析、ジョブモビリティ予測、ジョブレコメンデーションなど)の1つが、ユーザ生成(ノイジーかつ非標準)のジョブタイトルを、事前に定義された標準のジョブタイトルにマッピングする、job title mapping(jtm)である。 しかし, JTM の解決はドメイン固有の問題であり,その固有の課題として,(1) ユーザによるジョブタイトルの混乱,(2) 異なるジョブタイトルの重複,(3) ジョブトランジショントラジェクトリの不整合,(4) 実世界のアプリケーションにおけるジョブタイトルの数が大規模である,などがあげられる。 このJTM問題に向けて,本稿では,JAMESと命名された新たなソリューションを提案する。このソリューションは,目的とするジョブの3つのユニークな埋め込み(トポロジ,セマンティック,統語的埋め込み)と,マルチアスペクトのコアテンション(コアテンション)を同時に構成する。 さらに、論理的推論表現を用いて、乱雑な職種と推論空間における標準的な職種との類似性を協調的に推定する。 我々は,35万以上のジョブタイトルを持つ大規模実世界のデータセット上で,競合する10のモデルに対して包括的な実験を行う。 その結果、JAMESはPrecision@10では10.06%、NDCG@10では17.52%で最高のベースラインを上回った。

関連論文リスト

• NeKo: Toward Post Recognition Generative Correction Large Language Models with Task-Oriented Experts [57.53692236201343]
  提案するマルチタスク補正MOEでは,専門家が音声・テキスト・言語・テキスト・視覚・テキスト・データセットの「専門家」になるよう訓練する。 NeKoはマルチタスクモデルとして文法とポストOCR補正を競合的に実行している。
  論文  参考訳（メタデータ） (2024-11-08T20:11:24Z)
• 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)
• VacancySBERT: the approach for representation of titles and skills for semantic similarity search in the recruitment domain [0.0]
  本稿では、HRドメインに適用されたディープラーニングセマンティックサーチアルゴリズムに焦点を当てた。 この記事の目的は、求人広告で言及されているスキルとタイトルを結びつけるために、シームズネットワークをトレーニングする新しいアプローチを開発することである。
  論文  参考訳（メタデータ） (2023-07-31T13:21:15Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• Language Models are Few-Shot Learners [61.36677350504291]
  言語モデルのスケールアップにより、タスクに依存しない、少数ショットのパフォーマンスが大幅に向上することを示す。 我々は、1750億のパラメータを持つ自動回帰言語モデルであるGPT-3を訓練し、その性能を数ショットでテストする。 GPT-3は、翻訳、質問応答、クローズタスクを含む多くのNLPデータセットで高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-05-28T17:29:03Z)

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。