論文の概要: Multi-View Graph Convolution Network for Internal Talent Recommendation Based on Enterprise Emails

• arxiv url: http://arxiv.org/abs/2508.20328v1
• Date: Thu, 28 Aug 2025 00:11:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:01.874093
• Title: Multi-View Graph Convolution Network for Internal Talent Recommendation Based on Enterprise Emails
• Title（参考訳）: 企業メールに基づく社内レコメンデーションのためのマルチビューグラフ畳み込みネットワーク
• Authors: Soo Hyun Kim, Jang-Hyun Kim,
• Abstract要約: 社内人材推薦は組織継続にとって重要な戦略である。 本稿では,メールデータから従業員の立場の2つの異なる次元をモデル化する新しい枠組みを提案する。 実験により,提案したゲーティングベース核融合モデルが他の核融合戦略よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 5.282071089128208
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Internal talent recommendation is a critical strategy for organizational continuity, yet conventional approaches suffer from structural limitations, often overlooking qualified candidates by relying on the narrow perspective of a few managers. To address this challenge, we propose a novel framework that models two distinct dimensions of an employee's position fit from email data: WHAT they do (semantic similarity of tasks) and HOW they work (structural characteristics of their interactions and collaborations). These dimensions are represented as independent graphs and adaptively fused using a Dual Graph Convolutional Network (GCN) with a gating mechanism. Experiments show that our proposed gating-based fusion model significantly outperforms other fusion strategies and a heuristic baseline, achieving a top performance of 40.9% on Hit@100. Importantly, it is worth noting that the model demonstrates high interpretability by learning distinct, context-aware fusion strategies for different job families. For example, it learned to prioritize relational (HOW) data for 'sales and marketing' job families while applying a balanced approach for 'research' job families. This research offers a quantitative and comprehensive framework for internal talent discovery, minimizing the risk of candidate omission inherent in traditional methods. Its primary contribution lies in its ability to empirically determine the optimal fusion ratio between task alignment (WHAT) and collaborative patterns (HOW), which is required for employees to succeed in the new positions, thereby offering important practical implications.
• Abstract（参考訳）: 社内人材の推薦は組織的連続性にとって重要な戦略であるが、従来のアプローチは構造的な制限に悩まされ、少数のマネージャの狭い視点に頼って適格な候補者を見落としていることが多い。 この課題に対処するために、従業員の立場の異なる2つの次元を電子メールデータからモデル化する新しい枠組みを提案する。 これらの次元は独立グラフとして表現され、ゲーティング機構を備えたデュアルグラフ畳み込みネットワーク(GCN)を用いて適応的に融合する。 実験の結果,提案したゲーティングベース核融合モデルは他の核融合戦略とヒューリスティックベースラインを著しく上回り,Hit@100で40.9%の最高性能を達成した。 重要なことに、このモデルは、異なる職種を対象とした異なる文脈対応の融合戦略を学習することで、高い解釈可能性を示すことに注意する必要がある。 例えば、リレーショナル(HOW)データを"セールとマーケティング"のジョブファミリーに優先順位付けし、"検索"のジョブファミリーにバランスの取れたアプローチを適用することを学びました。 本研究は内的人材発見のための定量的かつ包括的な枠組みを提供し,従来の方法による欠落候補のリスクを最小限に抑える。 その主な貢献は、従業員が新しいポジションを成功させるために必要なタスクアライメント(WHAT)と協調パターン(HOW)の最適な融合比を実証的に決定できることであり、それによって重要な実践的意味を提供する。

関連論文リスト

• New Dataset and Methods for Fine-Grained Compositional Referring Expression Comprehension via Specialist-MLLM Collaboration [49.180693704510006]
  Referring Expression (REC) は、言語理解、画像理解、言語と画像の接点の相互作用を評価するためのクロスモーダルなタスクである。 MLLM(Multimodal Large Language Models)の試験場として機能する。
  論文  参考訳（メタデータ） (2025-02-27T13:58:44Z)
• FedPref: Federated Learning Across Heterogeneous Multi-objective Preferences [2.519319150166215]
  Federated Learning(FL)は、トレーニングデータが分散デバイスによって所有され、共有できない設定のために開発された分散機械学習戦略である。 FLの現実的な設定への応用は、参加者間の不均一性に関連する新たな課題をもたらします。 この設定でパーソナライズされたFLを促進するために設計された最初のアルゴリズムであるFedPrefを提案する。
  論文  参考訳（メタデータ） (2025-01-23T12:12:59Z)
• Modeling Multi-Task Model Merging as Adaptive Projective Gradient Descent [72.10987117380584]
  複数のエキスパートモデルをマージすることは、元のデータにアクセスせずにマルチタスク学習を実行するための有望なアプローチを提供する。 既存のメソッドは、競合を引き起こす一方で、パフォーマンスにとって重要なタスク固有の情報を捨てている。 我々の手法は従来の手法より一貫して優れており、視覚領域とNLP領域の両方において様々なアーキテクチャやタスクにまたがって最先端の結果が得られます。
  論文  参考訳（メタデータ） (2025-01-02T12:45:21Z)
• Enhancing Worker Recruitment in Collaborative Mobile Crowdsourcing: A Graph Neural Network Trust Evaluation Approach [7.883218966932225]
  CMCS(Collaborative Mobile Crowdsourcing)は、複雑なセンシングタスクを協調的に実行するワーカーチームを募集するプラットフォームである。 本稿では,ソーシャルネットワークにおける全作業者の非対称信頼度を求めるために,信頼強化評価フレームワーク(TREF)を提案する。
  論文  参考訳（メタデータ） (2023-06-07T11:59:45Z)
• Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
  フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。 このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。 本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-02-24T08:41:19Z)
• On Bridging Generic and Personalized Federated Learning [18.989191579101586]
  本稿では,モデルの2つの義務を2つの予測タスクで明確に分離する,新しいフェデレーション学習フレームワークを提案する。 Federated Robust Decoupling Fed-RoDという名前のこの2つの予測フレームワークでは、学習モデルは最先端の汎用的かつパーソナライズされたパフォーマンスを同時に達成できます。
  論文  参考訳（メタデータ） (2021-07-02T00:25:48Z)
• A Theoretical Perspective on Differentially Private Federated Multi-task Learning [12.935153199667987]
  プライバシーとユーティリティの両方に関して、協調学習モデルを開発する必要がある。 本稿では,クライアントレベルで保護する効果的なパラメータ転送差分プライバシーのための,新しいフェデレーションマルチタスクを提案する。 このような提案されたアルゴリズムに対して、プライバシユーティリティの両方の保証を提供するのは、当社が初めてです。
  論文  参考訳（メタデータ） (2020-11-14T00:53:16Z)

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。