ACLJun, 2024

从工作描述聚合网络中学习职位表示

PDF
TL;DR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。
job title representationautomatic human resource toolsjob descriptionjob description aggregatorbidirectional contrastive loss
发现论文，激发创造
  • 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

  • 从含噪技能标签中学习职位名称相似度

    该论文提出了一种无监督表示学习方法，使用嘈杂的技能标签训练作业职称相似性模型，证明其在文本排名和工作归一化等任务中非常有效。

    Jul, 2022

  • 面向职业过渡标签图的工作标题表征学习

    构建包含工作职称和工作职责或功能相关单词的节点的异构图：职位过渡标签图，以改进工作职称表示的质量和相应的分析任务。

    May, 2022

  • JAMES: 带有多方面嵌入和推理的职位标题映射

    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

  • 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

  • 结合嵌入和领域知识进行职位发布的重复检测

    我们提出了一种用于检测职位描述中的重复内容的方法，结合基于字符相似度的重叠度、文本嵌入和关键词匹配的方法，取得了令人信服的结果。使用我们的方法开发的工具已经在生产中使用，并且来自实际使用的反馈证实了我们的评价。

    Jun, 2024

  • 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

  • VacancySBERT：招聘领域标题和技能的语义相似性搜索表示方法

    该论文关注应用于人力资源领域的深度学习语义搜索算法，旨在开发一种新颖的方法来训练 Siamese 网络以将招聘广告中提到的技能与职位标题关联起来，并通过基于共现信息的语义相似性搜索来找到用于标题标准化的候选人。通过比较 FastText、BERT、SentenceBert 和 JobBert 等基准模型，已经证明了该新方法相对于其他通用文本编码器在准确率上的显著改进，通过 VacancySBERT 和 VacancySBERT（带技能）分别实现了 10% 和 21.5% 的改进，该论文还开发了一个开源的基准模型，以促进该领域的进一步研究。

    Jul, 2023

  • 领英深度职位理解

    该研究论文介绍了 LinkedIn 如何利用深度迁移学习方法和专家反馈循环来改进其职位理解模型，从而提高职位推荐系统的准确性和雇佣效率。

    May, 2020

  • 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