JAMES：基于多方面图嵌入与推理的职位名称规范化方法
人工智能
2023-10-25 v2 计算与语言
摘要
在在线就业市场中，建立定义良好的职位名称分类体系对于各种下游任务（例如职位推荐、用户职业分析和离职预测）十分重要。职位名称规范化（JTN）正是这样一个清洗步骤，用于将用户创建的非标准职位名称分类为规范化名称。然而，解决 JTN 问题并非易事，其挑战在于：（1）不同职位名称的语义相似性，（2）非规范化的用户创建职位名称，以及（3）实际应用中大规模且长尾分布的职位名称。为此，我们提出了一种名为 JAMES 的新颖解决方案，它为目标职位名称构建三种独特嵌入（即图嵌入、上下文嵌入和句法嵌入），以有效捕捉其各种特征。我们进一步提出一种多方面协同注意力机制来注意力式地组合这些嵌入，并采用神经逻辑推理表示，在推理空间中协作估计杂乱职位名称与规范化职位名称之间的相似性。为评估 JAMES，我们在一个包含超过 350,000 个职位名称的大规模真实数据集上针对十个竞争模型进行了综合实验。我们的实验结果表明，JAMES 在 Precision@10 上比最佳基线显著高出 10.06%，在 NDCG@10 上高出 17.52%。
引用
@article{arxiv.2202.10739,
title = {JAMES: Normalizing Job Titles with Multi-Aspect Graph Embeddings and Reasoning},
author = {Michiharu Yamashita and Jia Tracy Shen and Thanh Tran and Hamoon Ekhtiari and Dongwon Lee},
journal= {arXiv preprint arXiv:2202.10739},
year = {2023}
}
备注
Accepted at IEEE DSAA 2023