論文の概要: Personalized and Aspiration-Oriented Career Path Recommendation
- arxiv url: http://arxiv.org/abs/2608.22056v1
- Date: Sat, 22 Aug 2026 17:45:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.943502
- Title: Personalized and Aspiration-Oriented Career Path Recommendation
- Title（参考訳）: パーソナライズ・アスピレーションを指向したキャリアパス勧告
- Abstract要約: キャリアパスの類似性 (CPS) は, 志望者のキャリアパスと求職者のキャリアパスの類似性 (CPS) と, 志望者と求職者のキャリアパスの'Aspirational similarity (AS) により, 適切なキャリアパスを見つける。
CPSはパーソナライズされたレコメンデーションを保証し、ASは願望を満たす。
- 参考スコア（独自算出の注目度）: 0.6253919624802852
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fulfilling career aspirations is important for growth of employee and organization. We propose a data driven methodology to recommend personalized career path for a given aspirant's career path and aspirations. The pro-posed method uses the career path similarity (CPS) between aspirant's career and candidate career path, and 'aspirational similarity' (AS) between aspiration and candidate career paths to find suitable career path. CPS ensures personalized recommendation while AS ensures aspiration fulfillment. We defined two methods to compute the CPS between career paths which are (a) domain knowledge driven (DKD) and, (b) unsupervised representation learning and alignment (URLA) based, along with different AS measures. The DKD based similarity is defined in the terms of features extracted and summarized over career paths. In the URLA, we use the sequence of event names present in the career paths of the employees to learn the embedding for each event name. In URLA we use learned embedding vector of the career path event names and as-sociated event attributes (skill cluster and domain) to find the best alignment between two career paths. We hypothesized that relative position of event names in the sequence represents semantics of event name and that can be learned. We use LSTM neural network to learn the embedding vector of each career event name. We also define the matching method to compute the AS be-tween aspiration and career path in both proposed methods. We combine CPS and AS to rank available 'candidate career paths' of employees to find the suitable one. We get better DCG value in URLA as compare to DKD. We also showed that ranking are coherent using both the methods. URLA method is better since it does not require domain knowledge to model the similarity and includes temporal aspect by optimal Levenshtein alignment using weighted cosine distance.
- Abstract（参考訳）: 雇用と組織の成長にとって、キャリアの願望をフルフィルすることは重要である。
本研究では, ある志望者のキャリアパスと願望に対して, パーソナライズされたキャリアパスを推奨するデータ駆動手法を提案する。
本提案手法は, 志望者のキャリアパスと候補キャリアパスのキャリアパス類似性(CPS)と, 志望者と候補キャリアパスの'Aspirational similarity(AS)'を用いて, 適切なキャリアパスを求める。
CPSはパーソナライズされたレコメンデーションを保証し、ASは願望を満たす。
我々はキャリアパス間のCPSを計算する2つの方法を定義した。
(a)ドメイン知識駆動(DKD)、及び
b)非教師なし表現学習・アライメント(URLA)を基本とし,異なるAS尺度を用いた。
DKDに基づく類似性は、キャリアパスを通じて抽出され、要約された特徴の観点で定義される。
URLAでは、従業員のキャリアパスに存在するイベント名のシーケンスを使用して、各イベント名への埋め込みを学習する。
URLAでは、キャリアパスイベント名と関連するイベント属性(スキルクラスタとドメイン)の埋め込みベクタを学習して、2つのキャリアパスの最適なアライメントを見つけます。
シーケンス内のイベント名の相対的な位置は、イベント名のセマンティクスを表し、それを学習できると仮定した。
LSTMニューラルネットワークを用いて,各キャリアイベント名の埋め込みベクトルを学習する。
提案手法では,AS be-tween アスピレーションとキャリアパスを計算するためのマッチング手法も定義している。
CPSとASを組み合わせて、従業員の利用可能な"候補キャリアパス"をランク付けして、適切なものを見つけます。
DKDと比較すると、URLAではDCG値が向上しています。
また,両者の手法によるランキングの一貫性が示された。
URLA法は類似性をモデル化するためのドメイン知識を必要とせず、重み付きコサイン距離を用いた最適レベンシュテインアライメントによる時間的側面を含むため、より優れている。
関連論文リスト
- Soft Reasoning Paths for Knowledge Graph Completion [41.04734533217766]
推論パスは知識グラフ補完(KGC)における信頼できる情報である
現実のアプリケーションでは、計算に手頃なパスが全ての候補エンティティに対して存在することを保証することは困難である。
そこで本研究では,提案アルゴリズムを不備な経路状況に対してより安定にするために,ソフト推論パスを導入する。
論文 参考訳（メタデータ） (2025-05-06T08:12:48Z) - Learning Structured Representations by Embedding Class Hierarchy with Fast Optimal Transport [20.927804550845355]
我々は、Earth Moverefficient's Distance (EMD) を用いて、特徴空間内のクラス間のペア距離を測定する。
4種類の近似式を探索することにより、最適なトランスポートCPCCファミリーを導入する。
我々の最も効率的なOT-CPCC変種であるFast FlowTreeアルゴリズムは、データセットのサイズで線形に実行される。
論文 参考訳（メタデータ） (2024-10-04T00:20:34Z) - Statistical Context Detection for Deep Lifelong Reinforcement Learning [7.912786690714232]
オンライン体験からタスクラベルを推測することは難しい問題だ。
本稿では、オンラインの深層強化学習環境において、ポリシーとラベルの両方を学習するためのアプローチを提案する。
論文 参考訳（メタデータ） (2024-05-29T12:44:41Z) - 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) - PEARL: Zero-shot Cross-task Preference Alignment and Robust Reward Learning for Robotic Manipulation [29.88058548320708]
ゼロショット型クロスタスク選好アライメントとロバスト・リワード学習(PEARL)を提案する。
PEARLは、ターゲットタスクの人間ラベルなしで、クロスタスクの嗜好伝達からポリシーを学習する。
Meta-World と Robomimic のロボット操作タスクに関する実証的な結果から,我々の手法はタスク間で好みラベルを正確に転送し,適切なポリシーを学習できることを示した。
論文 参考訳（メタデータ） (2023-06-06T12:07:50Z) - 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) - Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。
特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。
このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
論文 参考訳（メタデータ） (2022-07-18T18:41:36Z) - Contrastive Learning and Self-Training for Unsupervised Domain
Adaptation in Semantic Segmentation [71.77083272602525]
UDAはラベル付きソースドメインからラベルなしターゲットドメインへの効率的な知識伝達を試みている。
本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。
提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
論文 参考訳（メタデータ） (2021-05-05T11:55:53Z) - Cross-domain Speech Recognition with Unsupervised Character-level
Distribution Matching [60.8427677151492]
2つの領域における各文字間の微粒化適応を行うための文字レベルの分布マッチング手法であるCMatchを提案する。
Libri-Adaptデータセットを用いた実験の結果,提案手法はクロスデバイスとクロス環境の両方で14.39%,16.50%の単語誤り率(WER)を低減できることがわかった。
論文 参考訳（メタデータ） (2021-04-15T14:36:54Z) - TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain
Gait Recognition [77.77786072373942]
本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。
我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。
提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-02-09T03:07:07Z) - Deep Co-Training with Task Decomposition for Semi-Supervised Domain
Adaptation [80.55236691733506]
半教師付きドメイン適応(SSDA)は、ラベル付きソースドメインからトレーニングされたモデルを、異なるが関連するターゲットドメインに適応させることを目的としている。
本稿では,SSDAタスクを対象ドメイン内の半教師付き学習(SSL)タスクと,ドメイン間の非教師付きドメイン適応(UDA)タスクの2つのサブタスクに明示的に分解することを提案する。
論文 参考訳（メタデータ） (2020-07-24T17:57:54Z)
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。