Fugu-MT 論文翻訳(概要): Learning Job Title Representation from Job Description Aggregation Network

論文の概要: Learning Job Title Representation from Job Description Aggregation Network

arxiv url: http://arxiv.org/abs/2406.08055v1
Date: Wed, 12 Jun 2024 10:12:52 GMT
ステータス: 処理完了
システム内更新日: 2024-06-13 17:34:43.143877
Title: Learning Job Title Representation from Job Description Aggregation Network
Title（参考訳）: 求人情報集約ネットワークからの求人情報表現の学習
Authors: Napat Laosaengpha, Thanit Tativannarat, Chawan Piansaddhayanon, Attapol Rutherford, Ekapol Chuangsuwanich,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 5.6383925539466855
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Learning job title representation is a vital process for developing automatic human resource tools. To do so, existing methods primarily rely on learning the title representation through skills extracted from the job description, neglecting the rich and diverse content within. Thus, we propose an alternative framework for learning job titles through their respective job description (JD) and utilize a Job Description Aggregator component to handle the lengthy description and bidirectional contrastive loss to account for the bidirectional relationship between the job title and its description. We evaluated the performance of our method on both in-domain and out-of-domain settings, achieving a superior performance over the skill-based approach.
Abstract（参考訳）: 職名表現の学習は、人事自動ツールを開発する上で不可欠なプロセスである。そのため、既存の手法は主に、仕事の説明から抽出したスキルを通じてタイトル表現を学習することに依存しており、内在するリッチで多様なコンテンツを無視している。そこで本稿では,ジョブ記述(JD)を通じてジョブタイトルを学習する代替フレームワークを提案し,ジョブ記述アグリゲータ(Job Description Aggregator)コンポーネントを用いて,長い記述と双方向のコントラスト損失を処理し,ジョブタイトルとその記述間の双方向関係を考慮する。ドメイン内設定とドメイン外設定の両方において,本手法の性能を評価し,スキルベースアプローチよりも優れた性能を実現した。

関連論文リスト

Combining Embeddings and Domain Knowledge for Job Posting Duplicate Detection [42.49221181099313]
求人説明は、企業ウェブサイト、求人掲示板、ソーシャルメディアプラットフォームなど、多くのオンラインチャンネルに掲載されている。プラットフォーム間でジョブの投稿を集約し、同じジョブを参照する重複記述を検出するのに役立つ。重みに基づく文字類似性とテキスト埋め込みとキーワードマッチング法を組み合わせることで、説得力のある結果が得られることを示す。
論文参考訳（メタデータ） (2024-06-10T13:38:15Z)
TAROT: A Hierarchical Framework with Multitask Co-Pretraining on Semi-Structured Data towards Effective Person-Job Fit [60.31175803899285]
本稿では,階層型マルチタスク協調訓練フレームワークであるTAROTを提案する。 TAROTは、プロファイルとジョブにおける半構造化テキストをターゲットにしており、取得したセマンティック情報を各レベルで制限するために、複数のきめ細かい事前訓練タスクと共に保持されている。
論文参考訳（メタデータ） (2024-01-15T07:57:58Z)
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)
Automated Few-shot Classification with Instruction-Finetuned Language Models [76.69064714392165]
我々は、AuT-Fewが最先端の数ショット学習方法より優れていることを示す。 AuT-Few は RAFT few-shot ベンチマークにおいて,データセット間で最高のランク付け手法であることを示す。
論文参考訳（メタデータ） (2023-05-21T21:50:27Z)
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)
Transformer-Based Approach for Joint Handwriting and Named Entity Recognition in Historical documents [1.7491858164568674]
本研究は,手書き文書における名前付きエンティティ認識にトランスフォーマネットワークを採用した最初のアプローチを示す。我々は,Esposalles データベースを用いた ICDAR 2017 Information extract コンペティションにおいて,新しい最先端性能を実現する。
論文参考訳（メタデータ） (2021-12-08T09:26:21Z)
Learning to Relate Depth and Semantics for Unsupervised Domain Adaptation [87.1188556802942]
教師なしドメイン適応(UDA)設定において,視覚的タスク関係を符号化してモデル性能を向上させる手法を提案する。本稿では,意味的および深さ的予測のタスク依存性を符号化する新しいクロスタスク関係層(ctrl)を提案する。さらに、セマンティック擬似ラベルを利用してターゲットドメインを監督する反復自己学習(ISL)トレーニングスキームを提案する。
論文参考訳（メタデータ） (2021-05-17T13:42:09Z)
Learning to Match Jobs with Resumes from Sparse Interaction Data using Multi-View Co-Teaching Network [83.64416937454801]
ジョブ列のインタラクションデータは疎結合でノイズが多く、ジョブ列のマッチングアルゴリズムのパフォーマンスに影響する。求人情報マッチングのための疎相互作用データから,新しいマルチビュー協調学習ネットワークを提案する。我々のモデルは求人マッチングの最先端手法より優れている。
論文参考訳（メタデータ） (2020-09-25T03:09:54Z)
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。