[論文レビュー] Measuring the Popularity of Job Skills in Recruitment Market: A Multi-Criteria Approach

Tong Xu, Hengshu Zhu+3 more|arXiv (Cornell University)|Dec 6, 2017

Recommender Systems and Techniques被引用数 33

ひとこと要約

本稿では、大規模な求人データからの職務基準（例：給与、企業規模）およびスキルネットワーク構造を統合するスキルパopularityに基づくトピックモデル（SPTM）を用いて、データ駆動型の多基準的手法により職務スキルの人気度を測定する手法を提案する。SPTMは多面的な人気度に基づいてスキルを効果的にランク付けし、高需要のスキルがしばしば高給の職に繋がることを明らかにする。

ABSTRACT

To cope with the accelerating pace of technological changes, talents are urged to add and refresh their skills for staying in active and gainful employment. This raises a natural question: what are the right skills to learn? Indeed, it is a nontrivial task to measure the popularity of job skills due to the diversified criteria of jobs and the complicated connections within job skills. To that end, in this paper, we propose a data driven approach for modeling the popularity of job skills based on the analysis of large-scale recruitment data. Specifically, we first build a job skill network by exploring a large corpus of job postings. Then, we develop a novel Skill Popularity based Topic Model (SPTM) for modeling the generation of the skill network. In particular, SPTM can integrate different criteria of jobs (e.g., salary levels, company size) as well as the latent connections within skills, thus we can effectively rank the job skills based on their multi-faceted popularity. Extensive experiments on real-world recruitment data validate the effectiveness of SPTM for measuring the popularity of job skills, and also reveal some interesting rules, such as the popular job skills which lead to high-paid employment.

研究の動機と目的

• 求職者と雇用者との間のスキルギャップを、給与、企業規模、相互スキル関係など複数の側面からスキルの人気度を測定することで解消すること。
• 求人データにおける職務基準（例：給与、企業規模）とスキルの相関関係の複雑な相互作用をモデル化すること。
• 複数の次元にわたるスキルの人気度に基づいて、スケーラブルで解釈可能なスキルランク付け手法を開発すること。
• 求職者や人材マネージャーがより良い雇用成果を達成するためのスキル選択に役立つインサイトを提供すること。
• スキルの人気度モデリングを活用して、パーソナライズドな人材推薦およびレジュメスクリーニングを可能にすること。

提案手法

• 中国の大手求人プラットフォーム（2013–2015年）から収集した892,454件の求人広告からスキルを抽出し、『スキルネット』（Skill-Net）を構築する。
• 職務基準（例：給与、企業規模）とスキルカテゴリをラベルとして統合する、新規のスキルパopularityに基づくトピックモデル（SPTM）を開発する。
• SPTMを用いて、スキルネットワーク内の中心スキルとその周辺ノードからドキュメントを生成し、潜在的なスキル関連性を捉える。
• 階層的なスキル依存関係と職務基準をトピックモデリングフレームワークに統合し、多角的な人気度を反映する。
• 実際の求人データを用いてSPTMを学習し、スキルのトピック分布を学習することで、多基準によるスキル人気度のランク付けを可能にする。
• 実世界のデータを用いてモデルの性能を検証し、定性的および定量的分析を通じてランク付けの質を評価する。

実験結果

リサーチクエスチョン

• RQ1 給与水準や企業規模などの異なる職務基準において、どの職務スキルが最も人気があるか？
• RQ2 潜在的なスキル関連性（例：JavaScript、PHP、Node.js）は、個々のスキルの人気度にどのように影響を与えるか？
• RQ3 職務基準とスキルネットワーク構造を統合することで、スキル人気度ランク付けの正確性と解釈可能性はどの程度向上するか？
• RQ4 高人気スキルが高給の職務機会に結びつく一貫性のあるパターンは存在するか？
• RQ5 提案されたモデルは、雇用成果を最大化することを目的とする求職者に対して、実用的なインサイトを明らかにできるか？

主な発見

• SPTMモデルは、職務基準とスキルネットワーク構造を統合することで多面的な人気度を効果的に捉えており、ベースラインモデルを上回るランク付けの正確性を示した。
• 『Python』、『JavaScript』、『Java』などのスキルは、特に高給職において、複数の人気次元で常に上位にランク付けされた。
• 非常に人気のあるスキルは、高給の職務機会と強く関連しており、スキル需要と報酬の間には強い相関があることが示された。
• モデルは、ウェブ開発およびデータサイエンス分野のスキルが、特に上場企業において最も求められていることを明らかにした。
• スキルネットワーク構造の分析から、『Node.js』や『React』は『JavaScript』と頻繁に併記されており、機能的相互依存関係が確認された。
• モデルはスケーラビリティと解釈可能性を示しており、レジュメスクリーニングや人材推薦などの実世界応用に適していることが示された。