論文の概要: SkillRec: A Data-Driven Approach to Job Skill Recommendation for Career
Insights
- arxiv url: http://arxiv.org/abs/2302.09938v1
- Date: Mon, 20 Feb 2023 12:07:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 15:34:39.990982
- Title: SkillRec: A Data-Driven Approach to Job Skill Recommendation for Career
Insights
- Title（参考訳）: SkillRec: キャリアインサイトのためのジョブスキル推奨へのデータ駆動アプローチ
- Authors: Xiang Qian Ong and Kwan Hui Lim
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.3121997724420106
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the skill sets and knowledge required for any career is of
utmost importance, but it is increasingly challenging in today's dynamic world
with rapid changes in terms of the tools and techniques used. Thus, it is
especially important to be able to accurately identify the required skill sets
for any job for better career insights and development. In this paper, we
propose and develop the Skill Recommendation (SkillRec) system for recommending
the relevant job skills required for a given job based on the job title.
SkillRec collects and identify the skill set required for a job based on the
job descriptions published by companies hiring for these roles. In addition to
the data collection and pre-processing capabilities, SkillRec also utilises
word/sentence embedding techniques for job title representation, alongside a
feed-forward neural network for job skill recommendation based on the job title
representation. Based on our preliminary experiments on a dataset of 6,000 job
titles and descriptions, SkillRec shows a promising performance in terms of
accuracy and F1-score.
- Abstract（参考訳）: あらゆるキャリアに必要なスキルセットや知識を理解することは最も重要であるが、ツールやテクニックの急速な変化とともに、今日のダイナミックな世界ではますます困難になっている。
したがって、キャリアの洞察と開発を改善するために、あらゆる仕事に必要なスキルセットを正確に特定できることが特に重要です。
本稿では,その職種に基づいて,特定の職種に必要なスキルを推薦するスキルレコメンデーション(Skill Recommendation, SkillRec)システムを提案し,開発する。
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。
データ収集と前処理機能に加えて、skillrecは、ジョブタイトル表現に基づくジョブスキル推奨のためのフィードフォワードニューラルネットワークとともに、ジョブタイトル表現のためのワード/センテンス埋め込み技術も活用している。
6000の肩書と説明のデータセットに関する予備実験に基づき、skillrecは精度とf1-scoreの観点から有望なパフォーマンスを示している。
関連論文リスト
- NNOSE: Nearest Neighbor Occupational Skill Extraction [55.22292957778972]
作業スキルデータセットの複雑さに対処する。
我々は、データセット統一方式で類似したスキルを検索するために、外部データストアを使用します。
我々は、データセット間設定において、頻度の低いパターンを予測し、最大30%のスパンF1で性能向上を観察する。
論文 参考訳（メタデータ） (2024-01-30T15:18:29Z) - Large Language Models as Batteries-Included Zero-Shot ESCO Skills
Matchers [0.0]
大規模言語モデル(LLM)に基づくジョブ記述からスキル抽出のためのエンドツーエンドゼロショットシステムを提案する。
ESCOのスキル全体に関する総合的なトレーニングデータを生成し,求職者からのスキル言及を抽出するために分類器を訓練する。
また、類似性検索を用いてスキル候補を生成し、第2のLCMを用いて再ランク付けする。
論文 参考訳（メタデータ） (2023-07-07T12:04:12Z) - Is it Required? Ranking the Skills Required for a Job-Title [0.0]
我々は、同様の職種において、重要/関連スキルがより頻繁に現れることを示す。
言語に依存しないBERT文(LaBSE)モデルをトレーニングし、弱い監督力を用いてスキルの重要性を予測する。
論文 参考訳（メタデータ） (2022-11-28T10:27:11Z) - Choreographer: Learning and Adapting Skills in Imagination [60.09911483010824]
我々は、その世界モデルを利用して想像力のスキルを学び、適応するモデルベースのエージェントであるChoreographerを紹介する。
提案手法は探索とスキル学習のプロセスを切り離し,モデルの潜在状態空間におけるスキルの発見を可能にする。
Choreographerはオフラインデータからスキルを学ぶことができ、探索ポリシーと同時にデータを集めることができる。
論文 参考訳（メタデータ） (2022-11-23T23:31:14Z) - Learning and Retrieval from Prior Data for Skill-based Imitation
Learning [47.59794569496233]
従来のデータから時間的に拡張された感触者スキルを抽出する,スキルベースの模倣学習フレームワークを開発した。
新規タスクの性能を著しく向上させる重要な設計選択をいくつか挙げる。
論文 参考訳（メタデータ） (2022-10-20T17:34:59Z) - Design of Negative Sampling Strategies for Distantly Supervised Skill
Extraction [19.43668931500507]
本稿では,リテラルマッチングによる遠隔監視に基づく,スキル抽出のためのエンドツーエンドシステムを提案する。
ESCO分類を用いて、関連するスキルからネガティブな例を選択することで、最大の改善が得られます。
我々は,タスクのさらなる研究を促進するために,研究目的のベンチマークデータセットをリリースする。
論文 参考訳（メタデータ） (2022-09-13T13:37:06Z) - 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) - Hierarchical Skills for Efficient Exploration [70.62309286348057]
強化学習において、事前訓練された低レベルスキルは、探索を大幅に促進する可能性がある。
下流タスクの以前の知識は、スキルデザインにおける一般性(きめ細かい制御)と特異性(より高速な学習)の適切なバランスをとるために必要である。
教師なしの方法で様々な複雑さのスキルを習得する階層的スキル学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-20T22:29:32Z) - 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) - Reasoning over Vision and Language: Exploring the Benefits of
Supplemental Knowledge [59.87823082513752]
本稿では,汎用知識基盤(KB)から視覚言語変換器への知識の注入について検討する。
我々は複数のタスクやベンチマークに対する様々なkbの関連性を実証的に研究する。
この技術はモデルに依存しず、最小限の計算オーバーヘッドで任意の視覚言語変換器の適用可能性を拡張することができる。
論文 参考訳（メタデータ） (2021-01-15T08:37:55Z) - 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。
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。