論文の概要: CareerBERT: Matching Resumes to ESCO Jobs in a Shared Embedding Space for Generic Job Recommendations

• arxiv url: http://arxiv.org/abs/2503.02056v1
• Date: Mon, 03 Mar 2025 21:14:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:24:32.210931
• Title: CareerBERT: Matching Resumes to ESCO Jobs in a Shared Embedding Space for Generic Job Recommendations
• Title（参考訳）: CareerBERT: ジェネリックジョブ推奨のための共有埋め込みスペースにおけるESCOジョブのマッチング
• Authors: Julian Rosenberger, Lukas Wolfrum, Sven Weinzierl, Mathias Kraus, Patrick Zschech,
• Abstract要約: 本研究は、NLPおよび求人推薦システムの分野に貢献する。 本稿では、キャリアカウンセラーと求職者のための高度な支援ツールであるCareerBERTを紹介する。 当社のアプローチでは、欧州スキル、能力、職業(ESCO)の分類学と欧州雇用サービス(EURES)の求人広告からのデータを組み合わせてコーパスを作成する。
• 参考スコア（独自算出の注目度）: 3.738325076054202
• License:
• Abstract: The rapidly evolving labor market, driven by technological advancements and economic shifts, presents significant challenges for traditional job matching and consultation services. In response, we introduce an advanced support tool for career counselors and job seekers based on CareerBERT, a novel approach that leverages the power of unstructured textual data sources, such as resumes, to provide more accurate and comprehensive job recommendations. In contrast to previous approaches that primarily focus on job recommendations based on a fixed set of concrete job advertisements, our approach involves the creation of a corpus that combines data from the European Skills, Competences, and Occupations (ESCO) taxonomy and EURopean Employment Services (EURES) job advertisements, ensuring an up-to-date and well-defined representation of general job titles in the labor market. Our two-step evaluation approach, consisting of an application-grounded evaluation using EURES job advertisements and a human-grounded evaluation using real-world resumes and Human Resources (HR) expert feedback, provides a comprehensive assessment of CareerBERT's performance. Our experimental results demonstrate that CareerBERT outperforms both traditional and state-of-the-art embedding approaches while showing robust effectiveness in human expert evaluations. These results confirm the effectiveness of CareerBERT in supporting career consultants by generating relevant job recommendations based on resumes, ultimately enhancing the efficiency of job consultations and expanding the perspectives of job seekers. This research contributes to the field of NLP and job recommendation systems, offering valuable insights for both researchers and practitioners in the domain of career consulting and job matching.
• Abstract（参考訳）: 技術進歩と経済の変化により急速に発展する労働市場は、伝統的な雇用マッチングとコンサルティングサービスに大きな課題を提起している。 これに対し,キャリアカウンセラーと求職者を対象とした高度な支援ツールであるCareerBERTを導入する。これは履歴書などの構造化されていないテキストデータソースのパワーを活用し,より正確で包括的な求職勧告を提供する新しいアプローチである。 具体的な求人広告の固定セットに基づく求人推薦を主眼とする従来のアプローチとは対照的に、当社のアプローチでは、欧州技能・能力・職業(ESCO)分類学・欧州雇用サービス(EURES)求人広告のデータを組み合わせたコーパスを作成し、労働市場における一般職の最新のかつ明確に定義された表現を確保する。 我々の2段階評価手法は,EURES求人広告を用いたアプリケーショングラウンド評価と,実世界の履歴書と人事専門家のフィードバックを用いた人間グラウンド評価からなり,CareerBERTのパフォーマンスを総合的に評価する。 実験の結果,CareerBERTは従来の組込み手法と最先端の組込み手法の両方で優れており,人的専門家による評価では頑健な効果を示した。 これらの結果は、履歴書に基づいて関連する求職勧告を生成し、究極的には、就職相談の効率を高め、求職者の視点を拡大することにより、キャリアコンサルタント支援におけるCareerBERTの有効性を確認した。 本研究はNLPと求人推薦システムの分野に貢献し、キャリアコンサルティングと求人マッチングの分野における研究者と実践者の両方に貴重な洞察を提供する。

関連論文リスト

• Comparative Analysis of Encoder-Based NER and Large Language Models for Skill Extraction from Russian Job Vacancies [0.0]
  本研究では,エンコーダとLarge Language Models(LLMs)を併用した名前付きエンティティ認識手法を比較し,ロシアの職種からスキルを抽出する。 その結果、従来のNERモデル、特にDeepPavlov RuBERT NERは、精度、精度、リコール、推測時間など、様々な指標でLLMを上回ります。 この研究は、自然言語処理(NLP)の分野と労働市場、特に非英語の文脈におけるその応用に寄与する。
  論文  参考訳（メタデータ） (2024-07-29T09:08:40Z)
• Facilitating Multi-Role and Multi-Behavior Collaboration of Large Language Models for Online Job Seeking and Recruiting [51.54907796704785]
  既存の手法は履歴書とジョブ記述の潜在意味論をモデル化し、それらの間に一致する関数を学習することに依存している。 大規模言語モデル (LLM) の強力なロールプレイング能力に触発されて, LLM によるインタビュアーと候補者のモックインタビュープロセスを導入することを提案する。 そこで我々は,モックインタビュー生成とハンドシェイクプロトコルにおける双方向評価という2つのモジュールにパーソナライズされたマッチングプロセスを分割する,新しいフレームワークであるMockLLMを提案する。
  論文  参考訳（メタデータ） (2024-05-28T12:23:16Z)
• Course Recommender Systems Need to Consider the Job Market [16.88792726960708]
  本稿では,職業市場のスキル要求を取り入れたコースレコメンデーションシステムの構築を目指して,産業界と連携して研究を行う学術研究者の視点に焦点を当てる。 本稿では,これらの要求を効果的に解決するためのコースレコメンデータシステムの基本的特性について概説する。 本稿では,言語モデル(LLM)をスキル抽出に用い,求人市場に合わせて強化学習(RL)を施した既存のリコメンデータシステムに対処する初期システムを提案する。
  論文  参考訳（メタデータ） (2024-04-16T19:52:57Z)
• Career Path Prediction using Resume Representation Learning and Skill-based Matching [14.635764829230398]
  本稿では,作業履歴データに特化して設計された新しい表現学習手法であるCareerBERTを提案する。 キャリアパス予測のためのスキルベースモデルとテキストベースモデルを開発し,それぞれ35.24%,39.61%のリコール@10を得た。
  論文  参考訳（メタデータ） (2023-10-24T08:56:06Z)
• ChatEval: Towards Better LLM-based Evaluators through Multi-Agent Debate [57.71597869337909]
  われわれはChatEvalと呼ばれるマルチエージェントの審判チームを構築し、異なるモデルから生成された応答の品質を自律的に議論し評価する。 分析の結果,ChatEvalは単なるテキストスコアリングを超越し,信頼性評価のための人間模倣評価プロセスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-08-14T15:13:04Z)
• Exploring Large Language Model for Graph Data Understanding in Online Job Recommendations [63.19448893196642]
  本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。 この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
  論文  参考訳（メタデータ） (2023-07-10T11:29:41Z)
• Generative Job Recommendations with Large Language Model [32.99532175346021]
  GIRL(GeneratIve job Recommendation based on Large Language model)は、LLM(Large Language Models)分野の最近の進歩に触発された新しいアプローチである。 我々は、求職者のCV(Curriculum Vitae)に基づいて、適切なジョブ記述(JD)を作成する際に、LLMベースのジェネレータを指導するために、スーパーバイザードファインタニング(SFT)戦略を採用する。 特に、GIRLは求職者中心の生成モデルとして機能し、候補セットを必要とせずに求職提案を提供する。
  論文  参考訳（メタデータ） (2023-07-05T09:58:08Z)
• "GAN I hire you?" -- A System for Personalized Virtual Job Interview Training [49.201250723083]
  本研究では,GAN(Generative Adversarial Network)に基づく対話型面接訓練システムを開発した。 その結果,GANをベースとした行動フィードバックが有用であることが示唆された。
  論文  参考訳（メタデータ） (2022-06-08T13:03:39Z)
• FEBR: Expert-Based Recommendation Framework for beneficial and personalized content [77.86290991564829]
  推奨コンテンツの質を評価するための見習い学習フレームワークであるFEBR(Expert-Based Recommendation Framework)を提案する。 このフレームワークは、推奨評価環境において専門家(信頼できると仮定される)の実証された軌跡を利用して、未知のユーティリティ機能を回復する。 ユーザ関心シミュレーション環境(RecSim)によるソリューションの性能評価を行う。
  論文  参考訳（メタデータ） (2021-07-17T18:21:31Z)
• 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)
• Labour Market Information Driven, Personalized, OER Recommendation System for Lifelong Learners [0.0]
  我々は、生涯学習者が関連するOERベースの学習コンテンツにアクセスし、労働市場に要求されるマスタースキルにアクセスできる新しい方法を提案する。 我々のソフトウェアプロトタイプは、空白アナウンスにテキスト分類とテキストマイニングの手法を適用し、ジョブを意味のあるスキルコンポーネントに分解する。 目的,論理,学習への貢献の観点から,12名の被験者を対象に,詳細な半構造化されたインタビューを行った。
  論文  参考訳（メタデータ） (2020-05-15T10:48:15Z)

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。