基于简历表示学习与技能匹配的职业路径预测
计算与语言
2023-10-25 v1 人工智能
摘要
人岗匹配对工作满意度和绩效的影响已被广泛认可，这凸显了在员工职业生涯中适时提供下一步行动的重要性。这种预测职业下一步的任务被称为职业路径预测，并具有诸如离职预防和内部工作流动等多样应用。现有的职业路径预测方法依赖大量私有职业历史数据来建模职位名称与公司间的交互。我们提议利用简历中工作经历部分里未被探索的文本描述。我们引入了一个包含 2,164 条匿名职业历史的结构化数据集，并用 ESCO 职业标签进行了标注。基于该数据集，我们提出了一种专为工作历史数据设计的新型表示学习方法 CareerBERT。我们开发了用于职业路径预测的基于技能的模型和基于文本的模型，在数据集上分别取得了 35.24% 和 39.61% 的 recall@10。最后，我们表明两种方法具有互补性，混合方法以 43.01% 的 recall@10 取得了最强结果。
引用
@article{arxiv.2310.15636,
title = {Career Path Prediction using Resume Representation Learning and Skill-based Matching},
author = {Jens-Joris Decorte and Jeroen Van Hautte and Johannes Deleu and Chris Develder and Thomas Demeester},
journal= {arXiv preprint arXiv:2310.15636},
year = {2023}
}
备注
Accepted to the 3nd Workshop on Recommender Systems for Human Resources (RecSys in HR 2023) as part of RecSys 2023