[논문 리뷰] JobComposer: Career Path Optimization via Multicriteria Utility Learning

Richard J. Oentaryo, Xavier Jayaraj Siddarth Ashok외 2명|arXiv (Cornell University)|2018. 09. 04.

Reinforcement Learning in Robotics참고 문헌 18인용 수 4

한 줄 요약

JobComposer는 온라인 전문가 네트워크에서 발생하는 비최적의 실생활 경력 경로를 개선하기 위해 다기준 유용도 학습을 활용하는 데이터 기반 프레임워크입니다. 급여, 직급, 선호도 등에 걸쳐 유용도 최적화를 분해함으로써, 일반 경로나 실제 경로보다 최대 80개월 빠른 승진 시간을 확보하는 비그리디 경력 경로를 생성합니다.

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.

연구 동기 및 목표

• 온라인 전문가 네트워크(OPNs)에서 장기적이고 데이터 기반의 경력 경로 최적화의 부족을 해결하기 위해, 종종 비최적화되고 개인화되지 않으며 인기 중심인 경력 경로를 반영하는 데에 목적을 두고 있습니다.
• 기존 경력 추천 시스템이 급여, 직급, 선호도와 같은 다수의 보상 기준 간의 상충 관계를 고려하지 않고 일반적으로 취해지는 경로를 우선시하는 한계를 극복하기 위함입니다.
• 여러 가지 상충되는 경력 목표를 동시에 고려하여 복합 유용도 함수를 최대화함으로써 최적의 경력 경로를 식별하는 혁신적인 다기준 유용도 학습 프레임워크를 개발하기 위함입니다.
• 관찰된 경력 경로가 완전한 전환 부족, 주관적인 결정 또는 전략적 계획 부재로 인해 종종 비최적임을 입증하기 위함입니다.
• 실제 사용자 경로나 그레디 경로 히وري스틱에 비해 뛰어난 성능을 보이는 스케일러블하고 효율적인 개인화된 고품질 경력 경로 추천을 제공하기 위함입니다.

제안 방법

• JobComposer는 265,000건 이상의 직무 전환 데이터를 포함한 대규모 온라인 전문가 네트워크(OPN) 데이터셋에서 유도된 직무 전환에 기반해 경력 진행을 마르코프 과정으로 모델링합니다.
• 경력 경로 최적화를 다기준 유용도 학습 문제로 설정하여, 경로를 따라 급여, 직급, 선호도 향상에 대해 동시에 최적화합니다.
• 분해 기반 반복 알고리즘을 사용해 다기준 문제를 다수의 스칼라 하위문제로 분리함으로써, 기준 간 효율적인 동시 최적화를 가능하게 합니다.
• 유용도 학습을 활용해 경쟁하는 기준 간의 트레이드오프를 추정함으로써, 특정 사용자 선호도에 가장 적합한 균형 잡힌 경로를 식별할 수 있도록 합니다.
• 관찰된 경력 이력 기반으로 누적 유용도를 최대화하는 직무 전환 시퀀스를 조합함으로써 최적의 경력 경로를 계산합니다.
• 일반적이지 않으며 그리디하지 않은 경력 경로를 지원하여, 일반적으로 취해지는 경로보다 장기적으로 더 좋은 결과를 낳을 수 있습니다.

실험 결과

연구 질문

• RQ1 온라인 전문가 네트워크에서 관찰된 경력 경로는 데이터 기반 최적화를 통해 체계적으로 개선될 수 있는가?
• RQ2 다기준 유용도 학습 프레임워크는 승진 시간, 직급, 선호도 측면에서 일반 경로나 실제 경로에 비해 어느 정도 뛰어나게 성과를 낼 수 있는가?
• RQ3 분해 기반 다기준 유용도 학습 접근법은 급여, 직급, 직무 만족도와 같은 상충되는 경력 목표를 얼마나 효과적으로 균형 잡는가?
• RQ4 인기 없고 그리디하지 않은 경력 경로는 일반적으로 취해지는 경로보다 장기적인 경력 결과 측면에서 더 유익한가?
• RQ5 유용도 기반 최적화는 기준 방법보다 더 납득 가능하고 현저히 뛰어난 경력 경로를 생성할 수 있는가?

주요 결과

• 한 사례 연구에서 JobComposer는 그레디한 가장 흔한 경로 방법에 비해 최대 80개월 빠른 승진 시간을 확보하면서도 더 높은 직급과 선호도 향상을 달성했습니다.
• 정성적 분석에서 JobComposer는 실제 경력 경로에 비해 70~80개월의 시간을 절약했으며, 직급과 선호도 향상 측면에서 일관된 개선을 보였습니다.
• 통신 산업에 속한 사용자에게 JobComposer는 동일한 산업에 머무르되, 더 작은 기업으로 이직할 것을 추천하여, 가장 흔한 경로보다 70개월을 절약하고 더 높은 선호도를 달성했습니다.
• 금융 서비스 분야에서는 JobComposer의 추천으로 56개월을 절약했으며, 더 높은 수준의 직위(보조 부사장)에 진출해 그레디한 가장 흔한 방법이 제안한 경로보다 더 높은 선호도를 확보했습니다.
• 반도체 산업 분야에서는 은행으로의 이직을 추천함으로써, 그레디 경로보다 67개월 빠르게 관리직(Managing Director)에 진출했고, 현저히 높은 수준과 선호도 향상을 달성했습니다.
• 모든 평가 지표에서 이 방법은 실제 경력 경로와 그레디한 가장 흔한 경로를 일관되게 능가했으며, 인기 있는 경로가 항상 최적은 아님을 입증했습니다.