利用解耦组合效应建模增强职位薪资预测：一种神经原型方法

在知识经济时代，理解工作技能如何影响薪资对于推动具有竞争力薪资体系的招聘以及一致的薪资期望至关重要。尽管在基于职位和人才人口统计特征的薪资预测方面已有诸多努力，但仍缺乏有效识别具有集合结构的技能对职位薪资复杂组合效应的方法。虽然近期神经网络的发展显著提升了基于集合的定量建模精度，但其缺乏可解释性，阻碍了对技能组合效应的深入理解。事实上，由于组合特性、丰富的语义和独特的格式，对集合数据的模型解释具有挑战性。为此，本文提出了一种新颖的内在可解释的基于集合的神经原型方法，即 \textbf{LGDESetNet}，用于可解释的薪资预测，能够从局部和全局视角揭示影响薪资的解耦技能集。具体而言，我们提出了一种技能图增强的解耦离散子集选择层，用于识别具有不同语义的多方面有影响力的输入子集。此外，我们提出了一种面向集合的原型学习方法，以提取具有全局影响力的原型集。最终的输出透明地源自这些输入子集与全局原型之间的语义交互。在四个真实数据集上的大量实验表明，我们的方法在薪资预测方面取得了优于 SOTA 基线的性能，同时提供了对影响薪资模式的可解释见解。