May, 2024

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

PDF
TL;DR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。
careerai-assisted modelmachine learningnatural language processingeducational advising
发现论文，激发创造
  • 通过自然语言处理进行计算机工作市场分析

    利用自然语言处理技术从职位描述中提取相关信息，包括解决训练数据的稀缺性、标注指南的缺乏以及从职位广告中提取有效信息的不足等挑战，最终通过引入抽取方法和多个数据集相辅相成的检索增强模型来提高整体性能，并将提取到的信息置于特定分类体系中。

    Apr, 2024

  • 基于简历表示学习和技能匹配的职业路径预测

    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。

    Oct, 2023

  • 基于深度学习的计算机就业市场分析：对职位发布中技能提取和分类的调查

    近年来，自然语言处理（NLP）取得了显著进展，使得计算机行业市场分析领域有了快速发展。本调查旨在提供深度学习方法、数据集和特定于 NLP 驱动的技能提取和分类的术语的全面概述，填补这一新兴领域的不完全评估。我们对公开可用数据集的详细分类解决了关于数据集创建和特征的信息缺乏的问题。最后，对术语的关注解决了目前对重要概念（如硬技能和软技能）和技能提取和分类相关术语缺乏一致定义的问题。

    Feb, 2024

  • 为基于模型的 AI 工程开启自动化机器学习

    本文提出了一种新方法，支持自动化机器学习，帮助软件工程师在不需要深入了解人工智能的情况下，选择适当的机器学习模型、算法和技术以及适当的超参数来开发人工智能密集型系统，并进行智能能源领域的案例研究。

    Mar, 2022

  • 使用 AI 预测 AI 的未来：在指数级增长的知识网络中进行高质量的链接预测

    使用 AI 技术构建基于真实世界数据的 Science4Cast 基准测试，并提出十种不同的方法来预测人工智能研究的未来研究方向，最终目的是为了更先进的研究建议工具。

    Sep, 2022

  • 课程推荐系统需要考虑就业市场

    开发了一个课程推荐系统，该系统能够结合就业市场的技能需求，并且突出显示了解释性、无监督技能提取和强化学习等特点。

    Apr, 2024

  • JobRecoGPT -- 基于 LLMs 的可解释的职位推荐

    通过比较四种不同的方法，包括内容确定性、由 LLM 指导、未指导的 LLM 和混合方法，我们利用大型语言模型在工作推荐中捕捉了未结构化数据转换过程中丢失的信息，并且评估了它们在时间需求方面的性能。

    Sep, 2023

  • 基于简历的职位匹配应用程序，包含语音面试和语法分析：一项综述

    通过自然语言处理（NLP）和语音识别的进展，在家庭自动化等领域出现了完全自动化的复杂系统，这些系统被称为自动语音识别系统（ASR）。本文研究探讨了提供语音和基于文本的自然语言处理以进行面试准备和相关职位推荐的一体化系统的可行性，同时也探讨了现有推荐系统的局限性。通过这篇文献综述，我们可以了解到 NLP 技术在类似用例中的方法和局限性，以为我们即将进行的项目提供帮助。

    Nov, 2023

  • 工作预测：从深度神经网络模型到应用

    本文通过使用不同的深度神经网络模型，包括 TextCNN、Bi-GRU-LSTM-CNN 和 Bi-GRU-CNN 以及各种预训练的单词嵌入来研究职业预测。此外，我们还提出了一个简单有效的组合模型。实验结果表明，我们的提出的组合模型取得了最高的 F1 分数为 72.71％。

    Dec, 2019

  • 计算机科学研究的映射：趋势、影响与预测

    本文通过分析计算机科学领域当前热门的研究领域，探讨了导致这些研究领域出现的因素。利用包括论文、引用和资助信息在内的综合数据集，我们采用了决策树和逻辑回归等先进的机器学习技术，预测研究领域的趋势。分析结果表明，研究论文中引用数量（引用计数）在决定研究领域趋势方面起着关键作用，成为推动计算机科学领域趋势的最相关因素。此外，国家科学基金和专利对热门话题的影响随时间增加。逻辑回归模型在预测趋势方面表现优于决策树模型，具有更高的准确率、精确率、召回率和 F1 分数。通过超过随机猜测的基线，我们的数据驱动方法显示出更高的准确性和效力，为研究人员和机构提供了基于数据的决策和未来研究方向的宝贵洞察。

    Aug, 2023