[논문 리뷰] Collaborative Company Profiling: Insights from an Employee's Perspective

Hao Lin, Hengshu Zhu외 4명|arXiv (Cornell University)|2017. 12. 08.

Sentiment Analysis and Opinion Mining참고 문헌 21인용 수 10

한 줄 요약

이 논문은 직원이 제공한 온라인 피드백에서 텍스트 리뷰와 수치 데이터(급여, 평점)를 공동으로 모델링하여 종합적인 기업 프로필링을 가능하게 하는 공동 최적화 프레임워크 CPCTR를 제안한다. 주제 모델링과 잠재 변수 추론을 통합함으로써 CPCTR는 급여 예측 성능을 향상시키고 해석 가능한 의견 분석을 달성하며, 실제 직업 데이터셋에서 최신 기술 대비 뛰어난 성능을 보였다.

ABSTRACT

Company profiling is an analytical process to build an indepth understanding of company's fundamental characteristics. It serves as an effective way to gain vital information of the target company and acquire business intelligence. Traditional approaches for company profiling rely heavily on the availability of rich finance information about the company, such as finance reports and SEC filings, which may not be readily available for many private companies. However, the rapid prevalence of online employment services enables a new paradigm - to obtain the variety of company's information from their employees' online ratings and comments. This, in turn, raises the challenge to develop company profiles from an employee's perspective. To this end, in this paper, we propose a method named Company Profiling based Collaborative Topic Regression (CPCTR), for learning the latent structural patterns of companies. By formulating a joint optimization framework, CPCTR has the ability in collaboratively modeling both textual (e.g., reviews) and numerical information (e.g., salaries and ratings). Indeed, with the identified patterns, including the positive/negative opinions and the latent variable that influences salary, we can effectively carry out opinion analysis and salary prediction. Extensive experiments were conducted on a real-world data set to validate the effectiveness of CPCTR. The results show that our method provides a comprehensive understanding of company characteristics and delivers a more effective prediction of salaries than other baselines.

연구 동기 및 목표

• 온라인 취업 플랫폼에서 제공하는 직원 생성 텍스트 및 수치 피드백을 활용하여 제한된 재무 데이터만으로 기업을 프로파일링하는 과제를 해결하기 위해.
• 리뷰의 잠재 주제와 급여, 평점과 같은 수치 변수를 공동으로 학습할 수 있는 통합 모델을 개발하기 위해.
• 특정 직무 포지션과 기업과 관련된 긍정적 및 부정적 감성 패턴을 식별하여 효과적인 의견 분석을 가능하게 하기 위해.
• 텍스트 감성과 수치 성과 지표를 공동으로 모델링하여 급여 예측 정확도를 향상시키기 위해.
• 기준 설정 및 전략적 의사결정을 위해 기업의 강점과 약점을 포함한 특성에 대한 해석 가능한 통찰을 제공하기 위해.

제안 방법

• CPCTR는 텍스트 및 수치 데이터를 모두 처리하기 위해 공동 주제 회귀와 잠재 변수 모델링을 통합한 공동 최적화 프레임워크를 제안한다.
• CTR(협동 주제 회귀)를 확장하여 평점 정보를 통합하고 긍정적 및 부정적 주제-단어 분포를 명시적으로 모델링한다.
• 모델은 직원 리뷰에서 잠재 주제를 학습하며, 각 주제는 업무 환경 또는 야근과 같은 의미적 주제를 나타낸다.
• 통합 확률적 목적 함수를 사용하여 주제 분포, 급여 예측, 평점 예측을 공동 최적화한다.
• 학습 중 텍스트 및 수치 성분의 영향을 균형 잡기 위해 정규화 항(λv 및 λr)을 포함한다.
• 모델 파라미터 추정 및 기업과 직무 포지션의 잠재 표현 추론을 위해 변분 추론 기법을 사용한다.

실험 결과

연구 질문

• RQ1 통합 모델이 직원 리뷰의 텍스트 데이터와 급여, 평점과 같은 수치 데이터를 효과적으로 통합하여 기업 프로필링을 향상시킬 수 있는가?
• RQ2 직원 리뷰의 긍정적 및 부정적 감성 주제가 기업 특성과 급여 수준과 어떻게 연관되는가?
• RQ3 직원이 제공한 데이터를 기반으로 기존 방법에 비해 CPCTR가 급여 예측 정확도에서 어느 정도 뛰어난가?
• RQ4 Baidu, 텐센트, 알리바바와 같은 주요 기업들의 주요 강점과 약점은 직원 피드백을 통해 어떻게 드러나는가?
• RQ5 CPCTR는 공동 최적화 프레임워크에서 λv 및 λr와 같은 하이퍼파라미터 설정에 대해 얼마나 강건한가?

주요 결과

• CPCTR는 급여 예측에 대해 5겹 교차 검증에서 모든 최신 기술 대비 최고의 평균 성능을 기록하였다.
• 모델은 정규화 파rameter λv 및 λr의 다양한 값에 대해 최소한의 성능 변동을 보이며 뛰어난 강건성을 확보하였다.
• CPCTR는 λv = 1000 및 λr = 1에서 최적 성능을 달성하였으며, 이는 실험에서 기본 설정으로 사용되었다.
• 모델은 해석 가능한 주제를 성공적으로 식별하였다: 소프트웨어 엔지니어의 경우 긍정적 주제로는 업무 환경, 유연한 근무 시간, 기술 문화가 있었고, 부정적 주제로는 야근, 승진 기회, 복지 우려가 있었다.
• 바이두는 일관되게 '복지'와 '기술'을 강점으로, 텐센트는 '교육'과 '학습'을, 알리바바는 '문화'와 '분위기'를 강점으로 인식하였다.
• 세 개의 주요 중국 인터넷 기업(BAT)은 모두 '야근' 측면에서 부정적으로 평가되었으며, 텐센트는 관리 문제로 자주 비판받았다.