Job2Vec：基于集体多视角表示学习的职位名称基准匹配
人工智能
2020-09-17 v1
摘要
职位名称基准匹配（JTB）旨在跨不同公司匹配具有相似专业水平的职位名称。JTB 可为人才招聘和求职者提供职位与薪资校准/预测的精确指导和极大便利。传统 JTB 方法主要依赖人工市场调查，成本高且劳动密集。近来，在线职业图谱的快速发展积累了大量人才职业记录，为数据驱动方案提供了有前景的趋势。然而，这仍是一项具有挑战性的任务，因为（1）职位名称和职位变动（跳槽）数据混乱，包含大量针对同一岗位的主观且非标准的命名约定（例如，Programmer、Software Development Engineer、SDE、Implementation Engineer），（2）存在大量缺失的职位/变动信息，以及（3）一名人才只寻求有限数量的职位，这给建模职位变动模式带来了不完整性和随机性。为克服这些挑战，我们聚合所有记录构建大规模职位名称基准图谱（Job-Graph），其中节点表示隶属于特定公司的职位名称，连边表示职位之间的关联。我们将 JTB 重新表述为 Job-Graph 上的链接预测任务，即匹配的职位名称应具有连边。在此基础上，我们提出一种集体多视角表示学习方法（Job2Vec），从（1）图拓扑视角、（2）语义视角、（3）职位变动平衡视角和（4）职位变动时长视角联合考察 Job-Graph。我们在编码-解码范式下融合多视角表示，以获得用于链接预测任务的统一最优表示。最后，我们进行了大量实验以验证所提方法的有效性。
引用
@article{arxiv.2009.07429,
title = {Job2Vec: Job Title Benchmarking with Collective Multi-View Representation Learning},
author = {Denghui Zhang and Junming Liu and Hengshu Zhu and Yanchi Liu and Lichen Wang and Pengyang Wang and Hui Xiong},
journal= {arXiv preprint arXiv:2009.07429},
year = {2020}
}