[論文レビュー] Job2Vec: Job Title Benchmarking with Collective Multi-View Representation Learning

Denghui Zhang, Junming Liu+5 more|arXiv (Cornell University)|Sep 16, 2020

Advanced Graph Neural Networks参考文献 27被引用数 10

ひとこと要約

この論文では、大規模なジョブグラフ上でリンク予測としてジョブタイトルのベンチマークを定式化する、ジョブ2ベクトル（Job2Vec）という集合的でマルチビュー表現学習フレームワークを提案する。グラフ構造、ジョブタイトルの意味的性質、転職のバランス、転職期間の4つの視点から同時に学習し、自己符号化器を用いた統合により、企業間で意味的・機能的に類似するジョブタイトルを同定する性能を著しく向上させ、単一視点ベースラインを上回るリンク予測の正確性を達成した。

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.

研究の動機と目的

• 人材管理における企業間での一貫性のない、標準化されていないジョブタイトル表記の課題に対処すること。
• ジョブタイトルベンチマークにおけるデータスパarsityと不完全なキャリア遷移パターンの課題を克服すること。
• 構造的、意味的、遷移のバランス、期間といった複数の補完的視点を統合したフレームワーク内で、ジョブタイトル類似性をモデル化すること。
• ジョブタイトルベンチマークをジョブ遷移グラフ（ジョブグラフ）上のリンク予測タスクに再定式化すること。
• 類似度レベルのジョブタイトルを正確にマッチングするための、マルチビュー信号を統合した統一された表現学習手法を開発すること。

提案手法

• ノードが企業固有のジョブタイトルを表し、エッジがタイトル間のジョブ遷移を表す大規模なジョブグラフを構築する。
• 4つの異なる視点をモデル化する：(1) 構造的近接性のためのグラフトポロジー、(2) ジョブ記述文のテキストからの意味的埋め込み、(3) 同様の役割間の対称的移動を反映する遷移バランス、(4) 時間的類似性を捉えるための遷移期間。
• 深層自己符号化器に基づく統合メカニズムを用いて、マルチビュー表現を統合された低次元埋め込み空間に統合する。
• エンドツーエンドで訓練し、ジョブグラフ内での真のジョブタイトルペアが接続されている確率を最適化するリンク予測目的を用いる。
• Word2VecとDeepWalkのスキップグラムおよびネガティブサンプリング技術を、グラフ構造および意味的表現学習に活用する。
• スパースでノイズの多いキャリアデータの学習中に過学習を防ぐために、エアリー停止法とL2正則化を適用する。

実験結果

リサーチクエスチョン

• RQ1 マルチビュー表現学習は、語彙的類似性を超えてジョブタイトル類似性を効果的にモデル化できるか？
• RQ2 構造的、意味的、および遷移ベースの信号が、ジョブタイトルベンチマークにおけるリンク予測をどのように共同で向上させるか？
• RQ3 遷移バランスと期間の統合が、ジョブタイトルマッチングの正確性をどの程度向上させるか？
• RQ4 複数の視点からの統一された表現が、ジョブタイトルベンチマークにおいて単一視点ベースラインを上回るか？
• RQ5 本手法は、データスパarsityと非標準的ジョブタイトル表記に対してどの程度頑健か？

主な発見

• Job2Vecは、DeepWalk や Word2Vec といった単一視点ベースラインよりも、ジョブタイトルベンチマークタスクにおけるリンク予測の正確性で顕著に優れている。
• 遷移バランスと期間の視点を組み込むことで、企業間で不一致する上位レベルのジョブタイトル（例：「SVP」や「VP」）の異常予測が減少した。
• 自己符号化器に基づく統合メカニズムにより、マルチビュー表現が効果的に統合され、より頑健で一般化性の高いジョブタイトル埋め込みが得られた。
• Job2Vecは、訓練データ内で直接一緒に言及されていなくても、意味的に類似するが語彙的に異なるタイトル（例：「Software Engineer」と「SDE」）を高い精度で予測した。
• 実世界のITおよび金融セクターのジョブ遷移データセットにおいて、最先端の性能を達成し、人材インテリジェンスシステムにおける実用的有用性を示した。
• 実証結果から、4つの視点をすべて組み合わせた場合にF1スコアとAUCが最高となり、マルチビュー信号の補完的性質が裏付けられた。