論文の概要: STEP: Career-Path Recommendation via Temporal and Educational Trajectory Modeling
- arxiv url: http://arxiv.org/abs/2607.11722v2
- Date: Wed, 15 Jul 2026 11:11:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 12:21:59.433293
- Title: STEP: Career-Path Recommendation via Temporal and Educational Trajectory Modeling
- Title（参考訳）: STEP:時間的・教育的軌道モデリングによるキャリアパス勧告
- Abstract要約: キャリアパスレコメンデーションシステムSTEPについて紹介する。
時間的および教育的な信号を使って、キャリアの軌道における次の仕事を予測する。
次のジョブ予測では、最先端のベースラインよりも優れています。
- 参考スコア（独自算出の注目度）: 44.09276843323847
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Career paths encode decades of skill acquisition, role transitions, and educational investment, and understanding them at scale underpins workforce planning, labor market policy, and job recommendation. Resumes are a rich source of information about career paths: they contain detailed descriptions of work experience, education, and skills. Yet their unstructured, heterogeneous, and multilingual nature has long prevented large-scale systematic analysis. With the advent of large language models (LLMs), it is now possible to source rich career trajectory data containing temporal and educational signals from unstructured resumes, enabling new opportunities for career-path recommendation. Exploiting this opportunity, we present STEP (Sequential Trajectory of Employment Prediction), a novel career-path recommendation system that leverages temporal and educational signals to predict the next job in a career trajectory. STEP integrates a time-decay Gated Recurrent Unit (GRU) cell to model temporal dynamics, Feature-wise Linear Modulation (FiLM) conditioned on educational attainment, and attention-based sequence pooling to select relevant features for next job prediction. To improve internal occupation representation for STEP, we introduce ROUTE, a two-stage contrastive procedure that first adapts a multilingual encoder to the career domain via unsupervised denoising autoencoding, then performs supervised contrastive fine-tuning with guided negative selection. We evaluate STEP on four datasets of career trajectories, including an improved version of our publicly available JobHop dataset, and show that it outperforms state-of-the-art baselines in next job prediction. The dataset and code are publicly released to support reproducible career-trajectory research.
- Abstract（参考訳）: キャリアパスは、何十年にもわたるスキル獲得、役割移行、教育投資を包含し、それらを大規模に理解することで、労働計画、労働市場政策、仕事の推薦を支えている。
見積もりはキャリアパスに関する情報の豊富な源泉であり、仕事の経験、教育、スキルの詳細な記述を含んでいる。
しかし、その非構造的で異質で多言語的な性質は、大規模な系統解析を長い間妨げてきた。
大規模言語モデル(LLM)の出現により、時間的および教育的な信号を含む豊富なキャリア軌跡データを構造化されていない履歴書から引き出すことができ、キャリアパスレコメンデーションの新しい機会が可能になる。
本研究は,この機会を生かしたSTEP(Sequential Trajectory of Employment Prediction, 雇用予測の逐次的軌道)を,時間的・教育的な信号を利用して,キャリア軌道における次の仕事を予測する新しいキャリアパスレコメンデーションシステムとして紹介する。
STEPは、時相ダイナミクスをモデル化するためのGRU(Time-decay Gated Recurrent Unit)セルと、教育の達成を前提としたFiLM(Feature-wise Linear Modulation)と、次のジョブ予測に必要な機能を選択するためのアテンションベースのシーケンスプールを統合している。
STEPの内的占有表現を改善するために、ROUTEという2段階のコントラスト処理を導入し、まず、教師なしのデノナイズオートエンコーディングにより、マルチリンガルエンコーダをキャリア領域に適応させ、ガイド付き負選択による教師付きコントラスト微調整を行う。
ジョブホップデータセットの改良版を含む4つのキャリアトラジェクトリのデータセット上でSTEPを評価し、次のジョブ予測において最先端のベースラインを上回っていることを示す。
データセットとコードは公開され、再現可能なキャリア-軌道研究をサポートする。
関連論文リスト
- Towards Agentic Intelligence for Materials Science [73.4576385477731]
この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。
コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
論文 参考訳（メタデータ） (2026-01-29T23:48:43Z) - JobHop: A Large-Scale Dataset of Career Trajectories [43.84577100931558]
ジョブホップ(JobHop)は、ベルギーのフランドルにある公共雇用サービスVDABが提供する匿名の履歴書から派生した大規模なパブリックデータセットである。
構造化されていない履歴データを処理し、構造化された経歴情報を抽出し、標準化された ESCO の職業コードに正規化する。
この結果、361,000人以上の履歴書から抽出され、グループ化された166万以上の作業経験の豊富なデータセットが得られた。
論文 参考訳（メタデータ） (2025-05-12T15:22:29Z) - LLM Post-Training: A Deep Dive into Reasoning Large Language Models [131.10969986056]
大規模言語モデル (LLMs) は自然言語処理の状況を変え、多様な応用をもたらした。
ポストトレーニング手法により、LLMは知識を洗練させ、推論を改善し、事実の正確性を高め、ユーザの意図や倫理的配慮をより効果的に整合させることができる。
論文 参考訳（メタデータ） (2025-02-28T18:59:54Z) - Enhancing Talent Employment Insights Through Feature Extraction with LLM Finetuning [0.0]
遠隔作業の可利用性、報酬構造、教育要件、作業経験の好みなどの変数を識別する堅牢なパイプラインを開発する。
本手法は,従来の解析ツールの限界を克服するために,意味的チャンキング,検索拡張生成(RAG),微調整DistilBERTモデルを組み合わせる。
細調整されたモデルの包括的評価を行い、その強度、限界、スケーリングの可能性について分析する。
論文 参考訳（メタデータ） (2025-01-13T19:49:49Z) - TimeRAF: Retrieval-Augmented Foundation model for Zero-shot Time Series Forecasting [59.702504386429126]
TimeRAFは検索拡張技術によるゼロショット時系列予測を強化する検索拡張予測モデルである。
TimeRAFは、エンド・ツー・エンドの学習可能なレトリバーを使用して、知識ベースから貴重な情報を抽出する。
論文 参考訳（メタデータ） (2024-12-30T09:06:47Z) - KARRIEREWEGE: A Large Scale Career Path Prediction Dataset [29.24421465266904]
我々は500万以上のキャリアパスを含む包括的な公開データセットであるKARRIEREWEGEを紹介する。
履歴書に典型的に見られる自由テキスト入力の問題に対処するために,職名や記述を合成することで,それを強化する。
これにより、非構造化データからの正確な予測が可能になり、実際のアプリケーションの課題と密接に一致します。
論文 参考訳（メタデータ） (2024-12-19T08:02:08Z) - LABOR-LLM: Language-Based Occupational Representations with Large Language Models [8.909328013944567]
CAREERは、キャリア履歴の関数として労働者の次の仕事を予測する。
本稿では,履歴書に基づく基礎モデルを大規模言語モデルに置き換える方法を検討する。
論文 参考訳（メタデータ） (2024-06-25T23:07:18Z) - Unlocking Futures: A Natural Language Driven Career Prediction System for Computer Science and Software Engineering Students [0.5735035463793009]
本研究は,CS学生とSWE学生の独特な特徴に基づいて,特定のキャリア提案を提供することによって,教育指導に貴重な洞察を与えるものである。
この研究は、CSとSWEの学生がスキル、興味、スキル関連の活動に合った適切な仕事を見つけるのに役立つ。
論文 参考訳（メタデータ） (2024-05-28T12:56:57Z) - 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) - 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) - Policy Gradients Incorporating the Future [66.20567145291342]
我々はエージェントが明示的に予測することなく「未来を見る」方法を紹介した。
我々は,エージェントが過去の経験を学習中に,その将来に何が起こったのかを観察できるように提案する。
これにより、エージェントは、現在に加えて、将来の軌道力学に関するリッチで有用な情報を利用することができる。
論文 参考訳（メタデータ） (2021-08-04T14:57:11Z)
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。