面向长期收入最大化的职业路径推荐:一种强化学习方法
机器学习
2023-09-12 v1
摘要
本研究探索强化学习算法在增强职业规划过程中的潜力。利用来自Randstad荷兰公司的数据,本研究模拟了荷兰就业市场并制定了优化员工长期收入的策略。通过将职业规划表述为马尔可夫决策过程(MDP)并利用Sarsa、Q-Learning和A2C等机器学习算法,我们学习到推荐具有高收入职业和行业的职业路径的最优策略。结果表明,员工的收入轨迹得到显著改善,其中RL模型特别是Q-Learning和Sarsa,与观测到的职业路径相比平均增长5%。本研究承认其局限性,包括狭窄的职位筛选、环境表述中的简化,以及关于就业连续性和零申请成本的假设。未来研究可探索除收入优化外的其他目标,并解决这些局限性以进一步增强职业规划过程。
引用
@article{arxiv.2309.05391,
title = {Career Path Recommendations for Long-term Income Maximization: A Reinforcement Learning Approach},
author = {Spyros Avlonitis and Dor Lavi and Masoud Mansoury and David Graus},
journal= {arXiv preprint arXiv:2309.05391},
year = {2023}
}
备注
accepted for publication at RecSys in HR '23 (at the 17th ACM Conference on Recommender Systems)