論文の概要: Towards Job-Transition-Tag Graph for a Better Job Title Representation Learning

• arxiv url: http://arxiv.org/abs/2206.02782v1
• Date: Wed, 4 May 2022 12:11:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-14 08:49:46.311696
• Title: Towards Job-Transition-Tag Graph for a Better Job Title Representation Learning
• Title（参考訳）: より良い職名表現学習のためのジョブ遷移タググラフを目指して
• Authors: Jun Zhu and C\'eline Hudelot
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 28.571113863266916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Works on learning job title representation are mainly based on \textit{Job-Transition Graph}, built from the working history of talents. However, since these records are usually messy, this graph is very sparse, which affects the quality of the learned representation and hinders further analysis. To address this specific issue, we propose to enrich the graph with additional nodes that improve the quality of job title representation. Specifically, we construct \textit{Job-Transition-Tag Graph}, a heterogeneous graph containing two types of nodes, i.e., job titles and tags (i.e., words related to job responsibilities or functionalities). Along this line, we reformulate job title representation learning as the task of learning node embedding on the \textit{Job-Transition-Tag Graph}. Experiments on two datasets show the interest of our approach.
• Abstract（参考訳）: 肩書き表現の学習は、主に才能の労働史から構築された『textit{Job-Transition Graph}』に基づいている。 しかし、これらのレコードは通常乱雑なので、このグラフは非常にばらばらであり、学習した表現の品質に影響し、さらなる分析を妨げる。 この問題に対処するために、我々は、ジョブのタイトル表現の質を向上させる追加ノードでグラフを強化することを提案する。 具体的には、\textit{job-transition-tag graph}という、ジョブ名とタグ(ジョブ責任や機能に関連する単語)の2種類のノードを含む異種グラフを構築します。 この線に沿って、職名表現学習を、‘textit{Job-Transition-Tag Graph}’に埋め込まれた学習ノードとして再構成する。 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。

関連論文リスト

• InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
  InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。 InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。 Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
  論文  参考訳（メタデータ） (2024-10-09T17:56:15Z)
• 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)
• Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
  ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
  論文  参考訳（メタデータ） (2022-06-11T04:05:29Z)
• Exploring Graph Representation of Chorales [0.0]
  この研究は、重複する領域の音楽、グラフ理論、機械学習を探索する。 ノードの埋め込み表現は、重み付けされた無向グラフ $mathcalG$ において、埋め込み空間におけるノードの意味をキャプチャする表現である。
  論文  参考訳（メタデータ） (2022-01-27T09:46:10Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Multi-Level Graph Contrastive Learning [38.022118893733804]
  本稿では,グラフの空間ビューを対比することで,グラフデータの堅牢な表現を学習するためのマルチレベルグラフコントラスト学習(MLGCL)フレームワークを提案する。 元のグラフは1次近似構造であり、不確実性や誤りを含むが、符号化機能によって生成された$k$NNグラフは高次近接性を保持する。 MLGCLは、7つのデータセット上の既存の最先端グラフ表現学習法と比較して有望な結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-07-06T14:24:43Z)
• Edge Representation Learning with Hypergraphs [36.03482700241067]
  本稿では,グラフのエッジをハイパーグラフのノードに変換するDHT(Dual Hypergraph Transformation)に基づく新しいエッジ表現学習フレームワークを提案する。 グラフ表現と生成性能のための多種多様なグラフデータセット上で,ハイパーグラフを用いたエッジ表現学習法を検証する。 我々のエッジ表現学習とプーリング法はグラフ分類における最先端のグラフプーリング法よりも優れています。
  論文  参考訳（メタデータ） (2021-06-30T06:59:05Z)
• 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)
• Second-Order Pooling for Graph Neural Networks [62.13156203025818]
  グラフプーリングとして2次プールを提案するが、これは上記の課題を自然に解決する。 グラフニューラルネットワークによる2次プールの直接利用は、実用的な問題を引き起こすことを示す。 本稿では,2次プールに基づく2つの新しいグローバルグラフプーリング手法,すなわちバイリニアマッピングと2次プールを提案する。
  論文  参考訳（メタデータ） (2020-07-20T20:52:36Z)

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。