基于大规模职业查询数据的劳动力迁移建模
机器学习
2024-10-04 v1
摘要
准确且及时地对劳动力迁移进行建模对于各种城市治理和商业任务（如地方政策制定和企业选址）至关重要。然而，现有的劳动力迁移研究主要依赖有限的调查数据和统计方法，无法为时间变化的区域趋势提供及时和细粒度的见解。为此，我们提出一种基于深度学习的时空劳动力迁移分析框架DHG-SIL，通过利用大规模职业查询数据实现。具体而言，我们首先通过来自全球最大搜索引擎之一的职业查询获取劳动力迁移意图作为劳动力迁移的代理。随后，提出了保存异构性共现图卷积网络（DH-GCN）和可解释的时序模块，分别捕获跨城市和顺序劳动力迁移依赖性。此外，我们引入四个可解释变量来量化城市迁移属性，这些变量通过量身设计的对比损失与城市表示共优化。大量在三个真实数据集上的实验表明，我们的DHG-SIL优于现有方法。值得注意的是，我们的DHG-SIL已作为合作伙伴的智能人力资源系统的核心组件部署，系统支持一系列城市人才吸引报告。
引用
@article{arxiv.2410.02639,
title = {Labor Migration Modeling through Large-scale Job Query Data},
author = {Zhuoning Guo and Le Zhang and Hengshu Zhu and Weijia Zhang and Hui Xiong and Hao Liu},
journal= {arXiv preprint arXiv:2410.02639},
year = {2024}
}