面向职业过渡标签图的工作标题表征学习
通过职位描述聚合组件和双向对比损失函数,我们提出了一种学习职位标题的替代框架,并在域内和域外设置中评估了我们方法的性能,相比于基于技能的方法,取得了更好的表现。
Jun, 2024
本文提出一种名为 JAMES 的解决方案,通过三种不同类型的嵌入以及多方面协同注意力和逻辑推理表征技术,可将无序、非标准的职位信息映射到预定义的标准职位上。在真实数据上的实验表明,JAMES 策略在准确度和 NDCG 方面可以分别比最佳对比基线高出 10.06%和 17.52%。
Feb, 2022
通过将预训练语言模型与从招聘信息中提取的技能标签协同出现信息相结合,我们提出了一种职位称号的神经表示模型, JobBERT 方法相比使用通用语句编码器,在职位标题规范化任务中表现出显著提高,并发布了一个新的评估基准。
Sep, 2021
在本文中,我们提出了一种新颖的方法,通过采用交替随机游走策略来生成特定角色的顶点邻域,并在相应的源 / 目标角色中训练节点嵌入,以在完全利用有向图的语义的同时,为有向图中的两个不同节点角色维护单独的视图或嵌入空间,成功地解决了先前方法无法对边的定向性进行编码或其编码不能在不同任务中进行推广的问题,并在几个真实世界数据集上展示了我们方法的有效性,我们表明我们的嵌入是稳健,可推广和在多种任务和图表现良好,并且在节点分类任务中始终优于基线模型。
Oct, 2018
Text-And-Graph Multi-View Alignment (TAGA) is a self-supervised learning framework that integrates Text-Attributed Graphs (TAGs), enabling efficient training and strong performance in zero-shot and few-shot scenarios across multiple datasets.
May, 2024
通过构建一个查询 - 项目 - 标签三元组图和优化完整标签预测和部分标签完成两种情况的标签预测问题,我们提出了一种基于异构图神经网络的 Item Tagging 模型,证明在信息检索方面,该模型的性能优于现有的多标签分类方法。
Aug, 2020
通过提出一种新颖高效的方法 LEADING,实现了对大型语言模型在文本属性图(TAGs)上的端到端微调,具有比现有方法更高的计算和数据效率,为一系列大型语言模型和基于 TAGs 的图学习任务提供了有前景的解决方案。
Dec, 2023
提出了 GraphBridge,一个多粒度整合框架,通过利用上下文文本信息来构建 TAGs 的局部和全局视角的桥梁,以增强对 TAGs 的细粒度理解,并引入了一个图感知的标记缩减模块来处理可扩展性和效率挑战。通过在各种模型和数据集上进行大量实验,表明我们的方法在性能上达到了最先进的水平,而我们的图感知标记缩减模块显著提高了效率并解决了可扩展性问题。
Jun, 2024
采用线性图神经网络(TrainlessGNN)模型构建代表每个类别节点属性子空间的权重矩阵,为 TAG 上的半监督节点分类提供了一种高效的方法,消除了迭代优化过程。广泛的实验证实了我们的无训练模型可以匹配甚至超越传统训练模型,展示了在特定配置中避免梯度下降的可能性。
Apr, 2024
本文通过变分 EM 算法提出了一种名为 GLEM 的高效文本 - 图像学习方法,该方法将大规模语言模型和图神经网络结构有效地融合,实现在大型文本 - 图像图模型上的学习。
Oct, 2022