論文の概要: VacancySBERT: the approach for representation of titles and skills for
semantic similarity search in the recruitment domain
- arxiv url: http://arxiv.org/abs/2307.16638v1
- Date: Mon, 31 Jul 2023 13:21:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 14:31:24.799208
- Title: VacancySBERT: the approach for representation of titles and skills for
semantic similarity search in the recruitment domain
- Title（参考訳）: VacancySBERT:リクルートドメインにおける意味的類似性検索のためのタイトルとスキルの表現手法
- Authors: Maiia Bocharova, Eugene Malakhov, Vitaliy Mezhuyev
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The paper focuses on deep learning semantic search algorithms applied in the
HR domain. The aim of the article is developing a novel approach to training a
Siamese network to link the skills mentioned in the job ad with the title. It
has been shown that the title normalization process can be based either on
classification or similarity comparison approaches. While classification
algorithms strive to classify a sample into predefined set of categories,
similarity search algorithms take a more flexible approach, since they are
designed to find samples that are similar to a given query sample, without
requiring pre-defined classes and labels. In this article semantic similarity
search to find candidates for title normalization has been used. A pre-trained
language model has been adapted while teaching it to match titles and skills
based on co-occurrence information. For the purpose of this research fifty
billion title-descriptions pairs had been collected for training the model and
thirty three thousand title-description-normalized title triplets, where
normalized job title was picked up manually by job ad creator for testing
purposes. As baselines FastText, BERT, SentenceBert and JobBert have been used.
As a metric of the accuracy of the designed algorithm is Recall in top one,
five and ten model's suggestions. It has been shown that the novel training
objective lets it achieve significant improvement in comparison to other
generic and specific text encoders. Two settings with treating titles as
standalone strings, and with included skills as additional features during
inference have been used and the results have been compared in this article.
Improvements by 10% and 21.5% have been achieved using VacancySBERT and
VacancySBERT (with skills) respectively. The benchmark has been developed as
open-source to foster further research in the area.
- Abstract（参考訳）: 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、求人広告に記載されたスキルとタイトルを結びつけるために、シャム語ネットワークをトレーニングするための新しいアプローチを開発することである。
タイトルの正規化プロセスは分類または類似性比較のアプローチに基づいていることが示されている。
分類アルゴリズムは、事前に定義されたカテゴリに分類しようとするが、類似性検索アルゴリズムは、所定のクエリサンプルに似たサンプルを見つけるために、事前に定義されたクラスやラベルを必要とせず、より柔軟なアプローチを取る。
本稿では、意味的類似性検索を用いてタイトル正規化の候補を探す。
事前学習された言語モデルは、共起情報に基づくタイトルとスキルのマッチングを指導しながら適応されている。
この研究のために、50億のタイトル記述ペアがモデルのトレーニングのために収集され、3万3000のタイトル記述正規化タイトルトリプレットがテスト目的のためにジョブアドクリエーターによって手作業で取得された。
ベースラインとしてFastText、BERT、SentenceBert、JobBertが使用されている。
設計したアルゴリズムの精度の指標として、トップワン、5、10モデルの提案を思い出す。
新たなトレーニングの目的は、他のジェネリックおよび特定のテキストエンコーダと比較して大幅に改善できることが示されている。
タイトルをスタンドアロン文字列として扱う2つの設定と、推論中に追加機能としてスキルを含む2つの設定が使用されており、結果はこの記事で比較されている。
VacancySBERTとVacancySBERT(スキル付き)を使用して、10%の改善と21.5%の改善が達成されている。
このベンチマークは、この分野のさらなる研究を促進するためにオープンソースとして開発されている。
関連論文リスト
- Cross-lingual Contextualized Phrase Retrieval [63.80154430930898]
そこで本研究では,言語間関係の単語検索を多義的に行うタスクの定式化を提案する。
我々は、コントラスト学習を用いて、言語間コンテクスト対応句検索(CCPR)を訓練する。
フレーズ検索タスクでは、CCPRはベースラインをかなり上回り、少なくとも13ポイント高いトップ1の精度を達成する。
論文 参考訳（メタデータ） (2024-03-25T14:46:51Z) - Description-Enhanced Label Embedding Contrastive Learning for Text
Classification [65.01077813330559]
モデル学習プロセスにおける自己監督型学習(SSL)と新しい自己監督型関係関係(R2)分類タスクの設計
テキスト分類とR2分類を最適化対象として扱うテキスト分類のための関係学習ネットワーク(R2-Net)の関係について検討する。
ラベルセマンティックラーニングのためのマルチアスペクト記述を得るためのWordNetからの外部知識。
論文 参考訳（メタデータ） (2023-06-15T02:19:34Z) - A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。
私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。
2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%～30%、ハードケースでは36%～43%である。
論文 参考訳（メタデータ） (2023-03-23T16:15:03Z) - 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) - 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) - 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) - Scalable Approach for Normalizing E-commerce Text Attributes (SANTA) [0.25782420501870296]
本稿では,Eコマース属性値を自動的に正規化するフレームワークであるSANTAを提案する。
まず,9つの構文マッチングアルゴリズムについて広範な研究を行った。
弦の類似性だけでは属性正規化には不十分であると主張する。
論文 参考訳（メタデータ） (2021-06-12T08:45:56Z) - Cross-domain Speech Recognition with Unsupervised Character-level
Distribution Matching [60.8427677151492]
2つの領域における各文字間の微粒化適応を行うための文字レベルの分布マッチング手法であるCMatchを提案する。
Libri-Adaptデータセットを用いた実験の結果,提案手法はクロスデバイスとクロス環境の両方で14.39%,16.50%の単語誤り率(WER)を低減できることがわかった。
論文 参考訳（メタデータ） (2021-04-15T14:36:54Z) - Few-shot Intent Classification and Slot Filling with Retrieved Examples [30.45269507626138]
そこで我々は,新しいバッチソフトマックスの手法を用いて,同じラベルを持つスパンの類似した文脈表現を学習するスパンレベル検索手法を提案する。
提案手法は,CLINCおよびSNIPSベンチマークにおいて,様々な数ショット設定で過去のシステムより優れていた。
論文 参考訳（メタデータ） (2021-04-12T18:50:34Z) - R$^2$-Net: Relation of Relation Learning Network for Sentence Semantic
Matching [58.72111690643359]
文意味マッチングのための関係学習ネットワーク(R2-Net)を提案する。
最初にBERTを使用して、グローバルな視点から入力文をエンコードします。
次に、cnnベースのエンコーダは、ローカルな視点からキーワードやフレーズ情報をキャプチャするように設計されている。
関係情報抽出にラベルを十分に活用するために,関係分類タスクの自己教師付き関係性を導入する。
論文 参考訳（メタデータ） (2020-12-16T13:11:30Z) - TF-CR: Weighting Embeddings for Text Classification [6.531659195805749]
本稿では,単語埋め込みの計算において,高頻度のカテゴリー排他語を重み付け可能な新しい重み付け方式TF-CRを提案する。
16の分類データセットの実験はTF-CRの有効性を示し、既存の重み付け方式よりもパフォーマンススコアが向上した。
論文 参考訳（メタデータ） (2020-12-11T19:23:28Z)
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。