論文の概要: Bi-directional personalization reinforcement learning-based architecture
with active learning using a multi-model data service for the travel nursing
industry
- arxiv url: http://arxiv.org/abs/2304.00006v1
- Date: Tue, 14 Mar 2023 15:00:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-09 05:43:09.751984
- Title: Bi-directional personalization reinforcement learning-based architecture
with active learning using a multi-model data service for the travel nursing
industry
- Title(参考訳): 旅行看護における多モデルデータサービスを活用した双方向パーソナライゼーション強化学習型アクティブラーニングアーキテクチャ
- Authors: Ezana N. Beyenne
- Abstract要約: 本稿では,旅行看護産業における採用プロセスの強化を目的とした機械学習技術について述べる。
積極的な学習を伴う双方向のパーソナライゼーション強化学習ベースのアーキテクチャは、求職者を推薦することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The challenges of using inadequate online recruitment systems can be
addressed with machine learning and software engineering techniques.
Bi-directional personalization reinforcement learning-based architecture with
active learning can get recruiters to recommend qualified applicants and also
enable applicants to receive personalized job recommendations. This paper
focuses on how machine learning techniques can enhance the recruitment process
in the travel nursing industry by helping speed up data acquisition using a
multi-model data service and then providing personalized recommendations using
bi-directional reinforcement learning with active learning. This need was
especially evident when trying to respond to the overwhelming needs of
healthcare facilities during the COVID-19 pandemic. The need for traveling
nurses and other healthcare professionals was more evident during the lockdown
period. A data service was architected for job feed processing using an
orchestration of natural language processing (NLP) models that synthesize
job-related data into a database efficiently and accurately. The multi-model
data service provided the data necessary to develop a bi-directional
personalization system using reinforcement learning with active learning that
could recommend travel nurses and healthcare professionals to recruiters and
provide job recommendations to applicants using an internally developed smart
match score as a basis. The bi-directional personalization reinforcement
learning-based architecture with active learning combines two personalization
systems - one that runs forward to recommend qualified candidates for jobs and
another that runs backward and recommends jobs for applicants.
- Abstract(参考訳): 不十分なオンライン採用システムを使用する際の課題は、マシンラーニングとソフトウェアエンジニアリング技術によって対処できる。
双方向パーソナライゼーション アクティブラーニングによる強化学習ベースのアーキテクチャは、採用者が資格のある応募者を推薦し、応募者がパーソナライズされた求人を受けられるようにすることができる。
本稿では,多モデルデータサービスを用いたデータ取得の高速化と,双方向強化学習とアクティブラーニングを用いたパーソナライズドレコメンデーションの提供により,旅行看護産業における機械学習技術による採用プロセスの向上について述べる。
新型コロナウイルスのパンデミックで医療施設の圧倒的な需要に対応しようとすると、このニーズは特に顕著だった。
外出看護婦や他の医療従事者の必要性は、ロックダウン期間中より顕著であった。
データサービスは、ジョブ関連データをデータベースに効率的に正確に合成する自然言語処理(NLP)モデルのオーケストレーションを使用して、ジョブフィード処理のために設計された。
この多モデルデータサービスは,旅行看護婦や医療従事者を採用者に推薦し,社内で開発されたスマートマッチスコアをベースとして求職者への求職を推奨する,強化学習とアクティブラーニングを用いた双方向パーソナライズシステムの開発に必要なデータを提供する。
双方向パーソナライゼーション(bi-directional personalization) 強化学習ベースのアーキテクチャとアクティブラーニング(active learning)は、2つのパーソナライゼーションシステムを組み合わせたものだ。
関連論文リスト
- Learning to Retrieve for Job Matching [22.007634436648427]
本稿では、LinkedInの求人・推薦システムを強化するための学習検索技術の適用について論じる。
確認された雇用データを利用して求職者の求職資格を評価するグラフを構築し、学習したリンクを検索に活用する。
従来の逆インデックスに基づく解に加えて、KNNと項マッチングの両方を効率的にサポートできるon-GPUソリューションを開発した。
論文 参考訳(メタデータ) (2024-02-21T00:05:25Z) - A ModelOps-based Framework for Intelligent Medical Knowledge Extraction [20.800484664872148]
本稿では,モデルOpsに基づくインテリジェント医療知識抽出フレームワークを提案する。
モデル選択、トレーニング、評価、最適化のためのローコードシステムを提供する。
我々のフレームワークは、研究者がモデルを開発し、医師のような非AI専門家のモデルアクセスを簡易化するのに役立つ。
論文 参考訳(メタデータ) (2023-10-04T05:35:16Z) - Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。
まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。
トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
論文 参考訳(メタデータ) (2022-11-24T13:18:27Z) - Nemo: Guiding and Contextualizing Weak Supervision for Interactive Data
Programming [77.38174112525168]
私たちは、WS 学習パイプラインの全体的な生産性を、一般的な WS 監督アプローチと比較して平均20%(最大 47% のタスク)改善する、エンドツーエンドのインタラクティブなスーパービジョンシステムである Nemo を紹介します。
論文 参考訳(メタデータ) (2022-03-02T19:57:32Z) - BERT WEAVER: Using WEight AVERaging to enable lifelong learning for
transformer-based models in biomedical semantic search engines [49.75878234192369]
We present WEAVER, a simple, yet efficient post-processing method that infuse old knowledge into the new model。
WEAVERを逐次的に適用すると、同じ単語の埋め込み分布が、一度にすべてのデータに対する総合的なトレーニングとして得られることを示す。
論文 参考訳(メタデータ) (2022-02-21T10:34:41Z) - Toward a traceable, explainable, and fairJD/Resume recommendation system [10.820022470618234]
自動採用システムの開発は今でも大きな課題の1つだ。
我々の目的は、JD/Resumeマッチングプロセスを強化するために、現代言語モデルと知識ベースとデータセットを組み合わせる方法を探ることである。
論文 参考訳(メタデータ) (2022-02-02T18:17:05Z) - Personalized Rehabilitation Robotics based on Online Learning Control [62.6606062732021]
本稿では,各ユーザに対して実行時の制御力をパーソナライズ可能な,新しいオンライン学習制御アーキテクチャを提案する。
提案手法を,学習コントローラがパーソナライズされた制御を提供するとともに,安全な相互作用力も得られる実験ユーザスタディで評価した。
論文 参考訳(メタデータ) (2021-10-01T15:28:44Z) - Motivating Learners in Multi-Orchestrator Mobile Edge Learning: A
Stackelberg Game Approach [54.28419430315478]
Mobile Edge Learningは、異種エッジデバイス上で機械学習モデルの分散トレーニングを可能にする。
MELでは、十分なトレーニングデータやコンピューティングリソースを入手することなく、トレーニング性能が低下する。
そこで我々は2ラウンドのStackelbergゲームとしてオーケストレータとラーナーの相互作用を定式化するインセンティブ機構を提案する。
論文 参考訳(メタデータ) (2021-09-25T17:27:48Z) - Interactive Search Based on Deep Reinforcement Learning [4.353144350714567]
このプロジェクトは主にオフライントレーニングのための仮想ユーザ環境を確立する。
同時に,2クラスタリングに基づく強化学習アルゴリズムを改良して,推奨エージェントの行動空間と推奨経路空間を拡張することを試みた。
論文 参考訳(メタデータ) (2020-12-09T15:23:53Z) - Parrot: Data-Driven Behavioral Priors for Reinforcement Learning [79.32403825036792]
そこで本研究では,実験で得られた複雑なインプット・アウトプット関係を事前に学習する手法を提案する。
RLエージェントが新規な動作を試す能力を阻害することなく、この学習が新しいタスクを迅速に学習するのにどのように役立つかを示す。
論文 参考訳(メタデータ) (2020-11-19T18:47:40Z)
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。