MMOct, 2023

基于简历表示学习和技能匹配的职业路径预测

PDF
TL;DR人 - 工作适应对工作满意度和绩效的影响被广泛认可，提供适时的职业发展方向的重要性日益凸显。本文介绍了一种名为 CareerBERT 的新型表示学习方法，用于工作历史数据的职业发展路径预测，并且在结构化数据和文本数据的综合模型上取得了最好的预测效果。
person-job fitjob satisfactionperformancecareer path predictioncareerbert
发现论文，激发创造
  • SkillRec：基于数据的职业技能推荐方法，为职业洞察提供帮助

    本文介绍了 Skill Recommendation（SkillRec）系统，它基于职位名称，收集并确定了职位所需的技能集，并通过单词 / 句子嵌入技术和前馈神经网络为职位提供建议。在 6,000 个职位标题和描述的数据集上进行初步实验后，SkillRec 表现出很高的准确性和 F1 分数。

    Feb, 2023

  • 基于上下文感知 Transformer 模型的能力水平预测及简历与职位描述匹配

    本文对简历分类进行了全面的研究，提出了基于 Transformer 的分类模型，并对四个经验水平的临床研究协调员（CRC）岗位的 6,492 份简历进行了手动注释，获得了 61% 的高一致性得分，模型在实际应用中表现出较高的准确率。

    Nov, 2020

  • LABOR-LLM：基于大型语言模型的基于语言的职业表示

    使用大型语言模型和迁移学习技术，本研究提出一种替代 CAREER 基础模型微调的方法，对下一个工作预测任务进行训练并展示了其在代表性调查数据上的预测性能优于传统计量模型、CAREER 和具有情境学习的大型语言模型。

    Jun, 2024

  • JobFormer：具有语义增强变形器的技能感知工作推荐

    我们提出了一种新颖的基于设计的语义增强转换器的技能感知推荐模型，用于解析职位描述并完成个性化的工作推荐。我们采用两阶段学习策略进行技能感知推荐，在召回阶段利用技能分布指导 JD 表示学习，然后在排序阶段结合用户个人资料进行最终预测，为学习 JD 提供上下文语义表示，并为点击率（CTR）预测提供有效的 JD - 用户联合表示。通过对大规模真实世界和公共数据集的彻底实证分析，验证了我们方法在职位推荐方面的卓越性能和可解释性。

    Apr, 2024

  • 迈向可追溯、可解释、公平的 JD / 简历推荐系统

    本文提出了一个使用知识库和特性来增强 JD / 简历匹配过程的系统，旨在提供公正，可解释和可追溯的体系结构。

    Feb, 2022

  • 打开未来：面向计算机科学和软件工程学生的自然语言驱动职业预测系统

    我们开发了一个 AI 辅助模型进行早期预测，以提供更好的职业建议，并通过计算机科学和软件工程学生的关键信息训练机器学习模型来预测职业发展路径，进而通过自然语言处理技术和深度学习算法分析，为教育咨询提供特定的职业建议，帮助个别计算机科学和软件工程学生找到适合的工作。

    May, 2024

  • JobBERT：通过技能了解工作职称

    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

  • 从工作描述聚合网络中学习职位表示

    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

  • 作为内置零迁移 ESCO 技能匹配器的大型语言模型

    The paper presents an end-to-end zero-shot system for skills extraction from job descriptions based on large language models, achieving promising results on skills extraction against the ESCO framework without human annotations.

    Jul, 2023

  • 基于技能 - 职业图上下文的大型语言模型压缩在人力资源相关任务中的应用

    我们通过介绍简历 - 职位描述基准（RJDB）来填补缺失的综合性人力资源任务的基准以及没有具备竞争力的小型模型的挑战，该基准精心制作，以满足各种人力资源任务，包括简历与职位描述匹配和解释、从简历中提取技能和经验，以及编辑简历。我们通过从大型语言模型（LLM）中提取领域特定知识，并依靠精心策划的技能 - 职业图来确保多样性并为 LLMs 提供上下文生成，创建该基准。我们的基准包括超过 5 万个职位描述、匹配的简历和不匹配的简历的三元组。使用 RJDB，我们训练多个较小的学生模型。我们的实验表明，学生模型达到了与教师模型（GPT-4）相近或更好的性能，验证了该基准的有效性。此外，我们探索了在零 - shot 和弱监督方式下，RJDB 在对技能提取和简历 - 职位描述匹配的未出现在分发数据上的实用性。我们发布我们的数据集和代码以促进进一步的研究和工业应用。

    Nov, 2023