Jun, 2024

Job-SDF：职业技能需求预测和基准的多粒度数据集

PDF
TL;DR在迅速发展的就业市场中，技能需求预测对于政策制定者和企业来说至关重要，因为它使其能够预测和适应变化，确保劳动力技能与市场需求相吻合，从而提高生产力和竞争力。然而，缺乏全面的数据集对于研究和这一领域的进展存在重大挑战。为了填补这一差距，我们提出了 Job-SDF，这是一个设计用来训练和基准测试职业技能需求预测模型的数据集。我们的数据集在不同的粒度上评估技能需求预测模型的性能，包括职业、公司和地区水平。我们在此数据集上对一系列模型进行基准测试，在标准情况下、低值范围的预测和结构性突变的情况下评估它们的性能，为进一步的研究提供了新的见解。
skill demand forecastingdatasetjob-skill demand forecasting modelstrainingbenchmarking
发现论文，激发创造
  • 基于时态动态表示学习的实用技能需求预测

    本篇论文探讨通过时间序列预测和神经网络等方法，利用在线招聘广告的技能需求数据提高多技能需求的预测准确性。作者对多项世界信息技术业工作者的技能需求进行了分析，并比较了多元和单变量模型的性能。

    May, 2022

  • JOBSKAPE: 生成合成职位发布的框架以增强技能匹配

    通过采用合成训练数据进行技能匹配的最新方法已经显示出有希望的结果，减少了耗时且昂贵的标注需求。本文介绍了 JobSkape，一个专门设计用于增强技能与分类匹配的合成数据生成框架，其中包含了一个综合的开源合成数据集 SkillSkape，用于技能匹配任务。同时引入了多种离线度量来显示我们的数据集类似于真实世界数据。此外，我们还提出了一个利用大型语言模型（LLMs）进行技能提取和匹配任务的多步骤流水线，并与已知的有监督方法进行基准测试。我们总结出，在真实世界数据上的下游评估结果能够超过基线效果，凸显了其效力和适应性。

    Feb, 2024

  • 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

  • DataOps 对社会智能的影响：劳动力市场职能提取与匹配的数据管道

    本文通过 Big Data 和 AI 算法进行数据分析，将多个国家的数据资源整合，应用机器学习模型从简历和招聘信息中提取技能信息，与标准技能，职位和职业本体匹配，提供政策和决策支持的解决方案。

    Apr, 2021

  • 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

  • 美国高等教育课程中所教授技能的国家纵向数据集

    高等教育在推动创新经济方面发挥着关键作用，通过为学生提供劳动力需求所需的知识和技能。本研究填补了一个空白，通过提供从近 3000 所美国高等教育机构的三百万门课程大纲中推断技能的纵向数据集，回答了如何在高等教育中记录技能发展的问题。这个数据集通过自然语言处理从课程描述中提取具体的工作场景活动（DOL 所用来描述职业的 DWAs），并聚合这些 DWAs 来为机构和学术专业创建技能概况。这个数据集可以用于研究技能来源、劳动力发展的背景，并为塑造未来高等教育以满足不断变化的劳动力需求提供可操作的见解。

    Apr, 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

  • FIJO：法国保险软技能检测数据集

    本文提出了一个包含许多软技能注释的保险工作提供的新的公共数据集 FIJO，介绍了其特点和局限性，然后使用命名实体识别方法展示了技能检测算法的结果，最后分析了应用自然语言处理方法时可能出现的困难。

    Apr, 2022

  • 统一长期时间序列预测基准

    为了支持机器学习方法在预测时间序列数据方面的进展，我们提供了一个专门设计用于长期时间序列预测的全面数据集。我们将从不同的动态系统和真实记录中获取的一系列数据集进行了标准化，每个数据集都被分成了训练和测试轨迹，并设定了预定的回溯长度。通过对经典和先进的模型（即 LSTM，DeepAR，NLinear，N-Hits，PatchTST，和 LatentODE）进行广泛的基准分析，我们确定在不同场景中最有效的模型。我们的研究结果显示出这些模型之间有着有趣的性能比较，突显了模型效果与数据集有关的特性。值得注意的是，我们引入了一个定制的 latent NLinear 模型并且通过课程学习阶段提高了 DeepAR 的性能，它们在效果上始终优于其原始版本。

    Sep, 2023

  • WeatherBench：面向数据驱动天气预测的基准数据集

    本研究提出一个基于 ERA5 档案的天气预报基准数据集，为了方便机器学习模型的使用进行了处理，并提出了简单明了的评估指标，旨在加速数据驱动的天气预报研究。

    Feb, 2020