論文の概要: Hierarchical Job Classification with Similarity Graph Integration

• arxiv url: http://arxiv.org/abs/2507.09949v1
• Date: Mon, 14 Jul 2025 05:54:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:24.361036
• Title: Hierarchical Job Classification with Similarity Graph Integration
• Title（参考訳）: 類似性グラフの統合による階層型ジョブ分類
• Authors: Md Ahsanul Kabir, Kareem Abdelfatah, Mohammed Korayem, Mohammad Al Hasan,
• Abstract要約: 伝統的なテキスト分類法は、産業カテゴリーの階層的な性質を完全に活用できないため、しばしば不足する。 本稿では,ジョブや階層型産業カテゴリを潜在的な埋め込み空間に組み込んだ表現学習・分類モデルを提案する。 我々のモデルは,標準職業分類(SOC)システムと社内の階層的分類であるカロテインを統合して,グラフと階層的関係を捉える。
• 参考スコア（独自算出の注目度）: 5.432179788898068
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the dynamic realm of online recruitment, accurate job classification is paramount for optimizing job recommendation systems, search rankings, and labor market analyses. As job markets evolve, the increasing complexity of job titles and descriptions necessitates sophisticated models that can effectively leverage intricate relationships within job data. Traditional text classification methods often fall short, particularly due to their inability to fully utilize the hierarchical nature of industry categories. To address these limitations, we propose a novel representation learning and classification model that embeds jobs and hierarchical industry categories into a latent embedding space. Our model integrates the Standard Occupational Classification (SOC) system and an in-house hierarchical taxonomy, Carotene, to capture both graph and hierarchical relationships, thereby improving classification accuracy. By embedding hierarchical industry categories into a shared latent space, we tackle cold start issues and enhance the dynamic matching of candidates to job opportunities. Extensive experimentation on a large-scale dataset of job postings demonstrates the model's superior ability to leverage hierarchical structures and rich semantic features, significantly outperforming existing methods. This research provides a robust framework for improving job classification accuracy, supporting more informed decision-making in the recruitment industry.
• Abstract（参考訳）: オンライン採用のダイナミックな領域では、雇用推薦システム、検索ランキング、労働市場分析を最適化する上で、正確な職種分類が最重要である。 求人市場が発展するにつれて、肩書きや説明書の複雑さが増すにつれて、求人データ内の複雑な関係を効果的に活用できる洗練されたモデルが必要になります。 伝統的なテキスト分類法は、特に産業カテゴリーの階層的な性質を完全に活用できないために、しばしば不足する。 これらの制約に対処するために,ジョブや階層型産業カテゴリを潜伏した埋め込み空間に組み込む新しい表現学習と分類モデルを提案する。 本モデルでは,標準職業分類(SOC)システムと社内の階層分類であるカロテインを統合して,グラフと階層の関係を捉えることにより,分類精度を向上する。 階層型産業カテゴリーを共有潜在分野に組み込むことで、コールドスタート問題に取り組み、求職機会に対する候補者の動的マッチングを強化する。 大規模なジョブポストのデータセットに対する大規模な実験は、階層構造とリッチなセマンティック特徴を活用するモデルの優れた能力を示し、既存のメソッドよりも大幅に優れています。 本研究は、雇用分類の精度を向上させるための堅牢な枠組みを提供し、採用業界におけるより深い意思決定を支援する。

関連論文リスト

• Enforcing Consistency and Fairness in Multi-level Hierarchical Classification with a Mask-based Output Layer [25.819440955594736]
  分類を強制し、一貫性、公正性、正確な一致を含む目的を最適化するために設計された公正でモデルに依存しないレイヤを導入します。 評価の結果,提案した層は予測の公平性を向上するだけでなく,分類を強制し,一貫した予測と優れた性能をもたらすことが示された。
  論文  参考訳（メタデータ） (2025-03-19T06:30:04Z)
• A Multi-Stage Framework with Taxonomy-Guided Reasoning for Occupation Classification Using Large Language Models [13.350477885980512]
  大規模な言語モデル(LLM)は、その豊富な世界知識とコンテキスト内学習能力によって約束される。 そこで本研究では,推測,検索,再評価の段階からなる多段階フレームワークを提案する。 以上の結果から,既存のLCM法よりも優れたフレームワークであることが示唆された。
  論文  参考訳（メタデータ） (2025-03-17T09:44:50Z)
• Can Large Language Models Serve as Effective Classifiers for Hierarchical Multi-Label Classification of Scientific Documents at Industrial Scale? [1.0562108865927007]
  大規模言語モデル(LLM)は、多ラベル分類のような複雑なタスクにおいて大きな可能性を証明している。 これらの課題を克服するために,LLMの強みと高密度検索手法を組み合わせる手法を提案する。 複数の分野にまたがる大規模プリプリントリポジトリであるSSRNにおいて,本手法の有効性を評価する。
  論文  参考訳（メタデータ） (2024-12-06T15:51:22Z)
• Are Large Language Models Good Classifiers? A Study on Edit Intent Classification in Scientific Document Revisions [62.12545440385489]
  大規模言語モデル(LLM)は、テキスト生成の大幅な進歩をもたらしたが、分類タスクの強化の可能性はまだ未検討である。 生成と符号化の両方のアプローチを含む分類のための微調整LDMを徹底的に研究するためのフレームワークを提案する。 我々はこのフレームワークを編集意図分類(EIC)においてインスタンス化する。
  論文  参考訳（メタデータ） (2024-10-02T20:48:28Z)
• Hierarchical Query Classification in E-commerce Search [38.67034103433015]
  電子商取引プラットフォームは通常、製品情報と検索データを階層構造に保存し、構造化する。 ユーザ検索クエリを同様の階層構造に効果的に分類することは,eコマースプラットフォーム上でのユーザエクスペリエンスの向上,ニュースキュレーションや学術研究において最重要である。 階層的問合せ分類の本質的な複雑さは,(1)支配的カテゴリに傾倒する顕著なクラス不均衡,(2)正確な分類を妨げる検索クエリの本質的簡潔さとあいまいさの2つの課題によって複雑化されている。
  論文  参考訳（メタデータ） (2024-03-09T21:55:55Z)
• Hierarchical Classification of Transversal Skills in Job Ads Based on Sentence Embeddings [0.0]
  本稿では,求人広告要件とスキルセットの相関関係をディープラーニングモデルを用いて同定することを目的とする。 このアプローチには、ESCO(European Skills, Competences, Occupations)分類を使用したデータ収集、事前処理、ラベル付けが含まれる。
  論文  参考訳（メタデータ） (2024-01-10T11:07:32Z)
• Incremental hierarchical text clustering methods: a review [49.32130498861987]
  本研究の目的は,階層的および漸進的クラスタリング技術の解析である。 本研究の主な貢献は、文書クラスタリングのテキスト化を目的とした、2010年から2018年にかけて出版された研究で使用されるテクニックの組織化と比較である。
  論文  参考訳（メタデータ） (2023-12-12T22:27:29Z)
• Association Graph Learning for Multi-Task Classification with Category Shifts [68.58829338426712]
  関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。 我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。 我々の手法は代表的基準よりも一貫して性能が良い。
  論文  参考訳（メタデータ） (2022-10-10T12:37:41Z)
• Weakly-supervised Action Localization via Hierarchical Mining [76.00021423700497]
  弱教師付きアクションローカライゼーションは、ビデオレベルの分類ラベルだけで、与えられたビデオ内のアクションインスタンスを時間的にローカライズし、分類することを目的としている。 ビデオレベルおよびスニペットレベルでの階層的マイニング戦略,すなわち階層的監視と階層的一貫性マイニングを提案する。 我々は、HiM-NetがTHUMOS14とActivityNet1.3データセットの既存の手法よりも、階層的に監督と一貫性をマイニングすることで、大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2022-06-22T12:19:09Z)
• Hierarchical Modeling for Out-of-Scope Domain and Intent Classification [55.23920796595698]
  本稿では,対話システムにおけるスコープ外意図分類に焦点をあてる。 ドメインとインテントを同時に分類する共同モデルに基づく階層型マルチタスク学習手法を提案する。 実験により、モデルが既存の手法よりも精度、スコープ外リコール、F1で優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-30T06:38:23Z)
• Inducing a hierarchy for multi-class classification problems [11.58041597483471]
  分類的ラベルが自然な階層に従ったアプリケーションでは、ラベル構造を利用する分類方法は、そうでないものをしばしば上回る。 本稿では,フラット分類器に対する分類性能を向上できる階層構造を誘導する手法のクラスについて検討する。 原理シミュレーションと3つの実データアプリケーションにおいて、潜入階層の発見と精度向上のためのメソッドのクラスの有効性を実証する。
  論文  参考訳（メタデータ） (2021-02-20T05:40:42Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)

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。