Fugu-MT 論文翻訳(概要): Learning Job Titles Similarity from Noisy Skill Labels

論文の概要: Learning Job Titles Similarity from Noisy Skill Labels

arxiv url: http://arxiv.org/abs/2207.00494v3
Date: Mon, 3 Apr 2023 11:09:07 GMT
ステータス: 処理完了
システム内更新日: 2023-04-05 01:16:13.265471
Title: Learning Job Titles Similarity from Noisy Skill Labels
Title（参考訳）: ノイズのあるスキルラベルから職種を学習する
Authors: Rabih Zbib, Lucas Alvarez Lacasa, Federico Retyk, Rus Poves, Juan Aizpuru, Hermenegildo Fabregat, Vaidotas Simkus, and Emilia Garc\'ia-Casademont
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.11498015270151059
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Measuring semantic similarity between job titles is an essential functionality for automatic job recommendations. This task is usually approached using supervised learning techniques, which requires training data in the form of equivalent job title pairs. In this paper, we instead propose an unsupervised representation learning method for training a job title similarity model using noisy skill labels. We show that it is highly effective for tasks such as text ranking and job normalization.
Abstract（参考訳）: 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。このタスクは通常、同等の肩書きペアの形式でトレーニングデータを必要とする教師付き学習技術を使ってアプローチされる。そこで本稿では,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学習のための教師なし表現学習手法を提案する。テキストのランク付けや仕事の正規化といったタスクに非常に効果的であることを示す。

関連論文リスト

Learning Job Title Representation from Job Description Aggregation Network [5.6383925539466855]
既存の手法は主に、職務記述から抽出されたスキルを通してタイトル表現を学ぶことに依存している。ジョブ記述(JD)を通じて職名を学ぶための代替フレームワークを提案する。
論文参考訳（メタデータ） (2024-06-12T10:12:52Z)
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)
Disambiguation of Company names via Deep Recurrent Networks [101.90357454833845]
企業名文字列の埋め込みである教師付き学習を通じて,Siamese LSTM Network を抽出する手法を提案する。私たちは、ラベル付けされるサンプルを優先するActive Learningアプローチが、より効率的な全体的な学習パイプラインをもたらす方法を分析します。
論文参考訳（メタデータ） (2023-03-07T15:07:57Z)
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)
Improving Multi-task Generalization Ability for Neural Text Matching via Prompt Learning [54.66399120084227]
最近の最先端のニューラルテキストマッチングモデル(PLM)は、様々なタスクに一般化することが難しい。我々は、特殊化一般化訓練戦略を採用し、それをMatch-Promptと呼ぶ。特殊化段階では、異なるマッチングタスクの記述はいくつかのプロンプトトークンにマッピングされる。一般化段階において、テキストマッチングモデルは、多種多様なマッチングタスクを訓練することにより、本質的なマッチング信号を探索する。
論文参考訳（メタデータ） (2022-04-06T11:01:08Z)
Debiased Pseudo Labeling in Self-Training [77.83549261035277]
ディープニューラルネットワークは、大規模ラベル付きデータセットの助けを借りて、幅広いタスクで顕著なパフォーマンスを達成する。ラベル付きデータの要求を軽減するため、ラベル付けされていないデータに擬似ラベルを付けることにより、学術と産業の両方で自己学習が広く使われている。疑似ラベルの生成と利用を2つの独立した頭文字で分離するデバイアスドを提案する。
論文参考訳（メタデータ） (2022-02-15T02:14:33Z)
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)
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)
Conditional Meta-Learning of Linear Representations [57.90025697492041]
表現学習のための標準メタラーニングは、複数のタスク間で共有される共通の表現を見つけることを目的とする。本研究では,タスクの側情報を手作業に適した表現にマッピングし,条件付け関数を推定することで,この問題を克服する。この利点を実用的に活用できるメタアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-30T12:02:14Z)
Adaptive Self-training for Few-shot Neural Sequence Labeling [55.43109437200101]
ニューラルシークエンスラベリングモデルにおけるラベル不足問題に対処する手法を開発した。自己学習は、大量のラベルのないデータから学ぶための効果的なメカニズムとして機能する。メタラーニングは、適応的なサンプル再重み付けにおいて、ノイズのある擬似ラベルからのエラー伝播を軽減するのに役立つ。
論文参考訳（メタデータ） (2020-10-07T22:29:05Z)
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)

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。