[논문 리뷰] Job2Vec: Job Title Benchmarking with Collective Multi-View Representation Learning

Denghui Zhang, Junming Liu외 5명|arXiv (Cornell University)|2020. 09. 16.

Advanced Graph Neural Networks참고 문헌 27인용 수 10

한 줄 요약

이 논문은 대규모 Job-Graph에서 링크 예측으로서 직무 제목 기준화를 모델링하는 집합적 다중 시각 표현 학습 프레임워크인 Job2Vec을 제안한다. 그래프 구조, 직무 제목 의미론, 이직 균형, 이직 기간 시각에서 동시에 학습하고, 자동에코더 기반 융합을 통해 이를 융합함으로써, 기업 간 의미적 및 기능적으로 유사한 직무 제목을 식별하는 데 있어 단일 시각 기반 베이스라인을 능가하는 성능을 달성한다.

ABSTRACT

Job Title Benchmarking (JTB) aims at matching job titles with similar expertise levels across various companies. JTB could provide precise guidance and considerable convenience for both talent recruitment and job seekers for position and salary calibration/prediction. Traditional JTB approaches mainly rely on manual market surveys, which is expensive and labor-intensive. Recently, the rapid development of Online Professional Graph has accumulated a large number of talent career records, which provides a promising trend for data-driven solutions. However, it is still a challenging task since (1) the job title and job transition (job-hopping) data is messy which contains a lot of subjective and non-standard naming conventions for the same position (e.g., Programmer, Software Development Engineer, SDE, Implementation Engineer), (2) there is a large amount of missing title/transition information, and (3) one talent only seeks limited numbers of jobs which brings the incompleteness and randomness modeling job transition patterns. To overcome these challenges, we aggregate all the records to construct a large-scale Job Title Benchmarking Graph (Job-Graph), where nodes denote job titles affiliated with specific companies and links denote the correlations between jobs. We reformulate the JTB as the task of link prediction over the Job-Graph that matched job titles should have links. Along this line, we propose a collective multi-view representation learning method (Job2Vec) by examining the Job-Graph jointly in (1) graph topology view, (2)semantic view, (3) job transition balance view, and (4) job transition duration view. We fuse the multi-view representations in the encode-decode paradigm to obtain a unified optimal representation for the task of link prediction. Finally, we conduct extensive experiments to validate the effectiveness of our proposed method.

연구 동기 및 목표

• 인재 관리에서 기업 간 일관성 없고 비표준적인 직무 제목 명명 문제를 해결하기 위해.
• 직무 제목 기준화에서 데이터 희소성과 불완전한 경력 이직 패턴 문제를 극복하기 위해.
• 구조적, 의미론적, 이직 균형 및 기간과 같은 다수의 상호보완적 시각을 통합된 프레임워크 내에서 직무 제목 유사성 모델링을 위해.
• 직무 제목 기준화를 직무 이직 그래프(Job-Graph)에서의 링크 예측 과제로 재정의하기 위해.
• 유사 수준의 직무 제목을 정확하게 매칭하기 위해 다중 시각 신호를 융합하는 통합 표현 학습 방법을 개발하기 위해.

제안 방법

• 노드가 기업별로 고유한 직무 제목을 나타내고, 간선이 제목 간 이직을 나타내는 대규모 Job-Graph를 구축한다.
• 네 가지 별도의 시각을 모델링한다: (1) 구조적 유사도를 위한 그래프 구조, (2) 직무 설명 텍스트에서 유도된 의미적 임베딩, (3) 유사 역할 간 대칭적 이동을 반영하는 이직 균형, (4) 시간적 유사성을 캡처하는 이직 기간.
• 딥 오토에코더 기반 융합 기법을 사용하여 다중 시각 표현을 통합된 저차원 임베딩 공간으로 통합한다.
• 모델을 엔드 투 엔드로 훈련시키며, 실제 직무 제목 쌍이 Job-Graph에서 연결되어 있을 가능성 최적화를 목표로 링크 예측 목적함수를 사용한다.
• Word2Vec과 DeepWalk의 스킵그램 및 음성 샘플링 기법을 활용하여 그래프 구조 및 의미 표현 학습을 수행한다.
• 희소하고 노이즈가 많은 경력 데이터에서의 과적합을 방지하기 위해 조기 정지와 L2 정규화를 적용한다.

실험 결과

연구 질문

• RQ1 다중 시각 표현 학습이 어휘 유사성 외의 측면에서도 직무 제목 유사성을 효과적으로 모델링할 수 있는가?
• RQ2 구조적, 의미론적, 이직 기반 신호가 직무 제목 기준화에서 링크 예측 성능을 어떻게 함께 향상시키는가?
• RQ3 이직 균형과 기간을 통합할 경우, 직무 제목 매칭 정확도는 어느 정도 향상되는가?
• RQ4 다양한 시각에서 학습된 통합 표현이 단일 시각 기반 베이스라인을 능가하는가?
• RQ5 제안된 방법은 데이터 희소성과 비표준 직무 제목 명명에 대해 얼마나 강건한가?

주요 결과

• Job2Vec은 DeepWalk 및 Word2Vec과 같은 단일 시각 기반 베이스라인에 비해 직무 제목 기준화 과제에서 링크 예측 정확도에서 뚜렷한 승리를 거두었다.
• 이직 균형 및 기간 시각의 통합은 기업 간 높은 수준의 제목이 잘못 매칭되는 이상치 예측을 감소시켰다.
• 오토에코더 기반 융합 기법은 다중 시각 표현을 성공적으로 통합하여 더 강건하고 일반화 능력이 뛰어난 직무 제목 임베딩을 도출하였다.
• Job2Vec은 훈련 데이터에서 직접 함께 등장하지 않은 의미적으로 유사하지만 어휘적으로 다른 제목들(예: 'Software Engineer'와 'SDE')을 높은 정밀도로 예측하였다.
• 실제 IT 및 금융 부문의 직무 이직 데이터셋에서 최신 기술 수준의 성능을 달성하여, 인재 지능 시스템에서의 실용적 유용성을 입증하였다.
• 실험 결과, 네 가지 시각을 모두 통합할 경우 F1 점수와 AUC가 가장 높게 나타나, 다중 시각 신호가 상호보완적임을 확인하였다.