用于技能供需联合预测的跨视图分层图学习超网络

技术和行业的快速变化导致技能需求动态变化，这使得员工和雇主预测这些变化以在劳动力市场中保持竞争优势变得至关重要。该领域的现有工作要么依赖领域专家知识，要么将技能演变视为一个简化的时间序列预测问题。然而，这两种方法都忽略了不同技能之间的复杂关系以及技能供需变化之间的内在联系。在本文中，我们提出了一个跨视图分层图学习超网络（CHGH）框架，用于联合技能供需预测。具体来说，CHGH 是一个编码器-解码器网络，由 i) 一个跨视图图编码器（用于捕获技能供需之间的相互联系）、ii) 一个分层图编码器（用于从聚类的角度对技能的协同演化进行建模）以及 iii) 一个条件超解码器（通过结合历史供需差距来联合预测供需变化）组成。在三个真实世界数据集上的大量实验表明，与七个基线方法相比，所提出的框架具有优越性，并且三个模块是有效的。