[論文レビュー] JobComposer: Career Path Optimization via Multicriteria Utility Learning

Richard J. Oentaryo, Xavier Jayaraj Siddarth Ashok+2 more|arXiv (Cornell University)|Sep 4, 2018

Reinforcement Learning in Robotics参考文献 18被引用数 4

ひとこと要約

JobComposerは、オンラインプロフェッショナルネットワーク（OPN）からの非効率的で非個人化された、人気バイアスのあるキャリア経路を改善するために、マルチ基準効用学習を用いたデータ駆動型フレームワークである。給与、職位水準、魅力度の各要素にわたる効用最適化を分解することで、一般的な経路や実際の経路よりも最大80か月も早い昇進を実現する、非グリーディな優れたキャリア経路を生成する。

ABSTRACT

With online professional network platforms (OPNs, e.g., LinkedIn, Xing, etc.) becoming popular on the web, people are now turning to these platforms to create and share their professional profiles, to connect with others who share similar professional aspirations and to explore new career opportunities. These platforms however do not offer a long-term roadmap to guide career progression and improve workforce employability. The career trajectories of OPN users can serve as a reference but they are not always optimal. A career plan can also be devised through consultation with career coaches, whose knowledge may however be limited to a few industries. To address the above limitations, we present a novel data-driven approach dubbed JobComposer to automate career path planning and optimization. Its key premise is that the observed career trajectories in OPNs may not necessarily be optimal, and can be improved by learning to maximize the sum of payoffs attainable by following a career path. At its heart, JobComposer features a decomposition-based multicriteria utility learning procedure to achieve the best tradeoff among different payoff criteria in career path planning. Extensive studies using a city state-based OPN dataset demonstrate that JobComposer returns career paths better than other baseline methods and the actual career paths.

研究の動機と目的

• オンラインプロフェッショナルネットワーク（OPN）において、長期的かつデータ駆動型のキャリア経路最適化が不足している問題に対処すること。これは、しばしば非効率的で非個人化され、人気バイアスを受けるキャリア経路を反映している。
• 給与、職位水準、魅力度といった複数の報酬基準のトレードオフを考慮しないまま、一般的に取られる経路を優先する既存のキャリア推薦システムの限界を克服すること。
• 複数の相互に矛盾するキャリア目標を同時に最適化するための、新しいマルチ基準効用学習フレームワークを構築すること。このフレームワークは、複合効用関数を最大化することで最適なキャリア経路を特定する。
• OPNに観察されるキャリア経路が、不完全な移行、主観的判断、戦略的計画の欠如によって、しばしば非効率であることを示すこと。
• 実際のユーザー経路やグリーディな一般的経路ヒューリスティクスを上回る、スケーラブルで効率的な、個人に最適化された高品質なキャリア経路推薦を提供する方法を提示すること。

提案手法

• JobComposerは、265,000件以上の職務移行を含む大規模なOPNデータセットから得た職務移行のマルコフ過程としてキャリア進行をモデル化する。
• キャリア経路最適化をマルチ基準効用学習問題として定式化し、経路に沿った給与、職位水準、魅力度の増加を同時に最適化する。
• 分解に基づく反復的アルゴリズムにより、マルチ基準問題を複数のスカラーチャンレンジに分解し、複数の基準にわたる効率的な同時最適化を可能にする。
• 効用学習を用いて競合する基準間のトレードオフを推定し、ユーザーの好みに応じた最良の妥協経路を同定する。
• 観察されたキャリア経路に基づいて、累積効用を最大化する職務移行のシーケンスを組み合わせることで最適なキャリア経路を計算する。
• 本フレームワークは、人気のない非グリーディなキャリア経路をサポートし、一般的に取られるルートよりも長期的に優れた結果をもたらす可能性を有する。

実験結果

リサーチクエスチョン

• RQ1 オンラインプロフェッショナルネットワークにおける観察されたキャリア経路は、データ駆動型最適化を用いて体系的に改善可能か？
• RQ2 マルチ基準効用学習フレームワークは、昇進までの期間、職位水準、魅力度の観点から、人気経路や実際の経路をどの程度上回ることができるか？
• RQ3 分解に基づくマルチ基準効用学習アプローチは、給与、職位水準、職務満足度といった競合するキャリア目標をどの程度うまくバランスできるか？
• RQ4 人気のない非グリーディなキャリア経路は、一般的に取られる経路よりも長期的なキャリア成果においてより有益であるか？
• RQ5 効用ベースの最適化は、合理的かつ従来手法よりも顕著に優れたキャリア経路を生成可能か？

主な発見

• ケーススタディの1つにおいて、JobComposerはグリーディな最も多い経路法よりも最大80か月の昇進までの期間を短縮した一方で、より高い職位水準と魅力度の向上を達成した。
• 定性的分析において、JobComposerは実際のキャリア経路と比較して70〜80か月の期間短縮を実現し、職位水準と魅力度の両面で一貫した改善を示した。
• 通信業界のユーザーに対して、JobComposerは同じ業界にとどまるが、より小さな企業に転職することを推奨し、70か月の期間短縮と、最も多い経路よりも高い魅力度を達成した。
• 金融サービス分野において、JobComposerの推奨は56か月の期間短縮をもたらし、グリーディーな最も多い方法が示す経路よりも高い職位（アシスタントバイスプレジデント）に到達し、魅力度も向上した。
• 半導体業界において、JobComposerは銀行業界に転職することを推奨し、グリーディーな経路よりも67か月早くマネージングディレクターの地位に到達させ、職位水準と魅力度の向上が顕著に見られた。
• 本手法は、評価されたすべての指標において、実際のキャリア経路とグリーディーな最も多い経路を一貫して上回り、人気の経路が常に最適ではないことを示した。