CAPER：基于时序知识图谱与三元关系增强职业轨迹预测
机器学习
2024-12-30 v2 信息检索
摘要
职业轨迹预测（CTP）问题旨在预测个体的未来雇主或职位。虽然已开发出多种CTP方法，但我们认为这些方法（1）未能联合考量职业三关键单元（即用户、职位和公司）之间的相互三元依赖关系，（2）未能捕捉关键单元在职业发展过程中所发生的特征变化，导致对劳动力市场中职位移动模式的理解不准确。为解决上述挑战，我们提出一种新解决方案，称为CAPER，通过精细的时序知识图谱（TKG）建模来解决上述挑战。它使我们能够利用具有丰富表达力的图结构知识库，有效保留职位移动模式的变化。此外，我们在TKG上设计了一个外推职业推理任务，以进行现实评估。在真实世界的职业轨迹数据集上的实验表明，CAPER在预测个体未来公司和职位方面 consistently and显著优于四个基线方法、两个最新的TKG推理方法以及五个最先进的CTP方法——即平均而言，分别提高了6.80%和34.58%的预测准确率。CAPER的代码可在https://github.com/Bigdasgit/CAPER上获取。
引用
@article{arxiv.2408.15620,
title = {CAPER: Enhancing Career Trajectory Prediction using Temporal Knowledge Graph and Ternary Relationship},
author = {Yeon-Chang Lee and JaeHyun Lee and Michiharu Yamashita and Dongwon Lee and Sang-Wook Kim},
journal= {arXiv preprint arXiv:2408.15620},
year = {2024}
}
备注
Accepted by ACM KDD 2025