[论文解读] 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 33

一句话总结

本文提出一种数据驱动的多准则方法，通过技能流行度主题模型（SPTM）衡量工作技能的流行度，该模型整合了招聘数据中的工作准则（如薪资、公司规模）和技能网络结构。SPTM能有效从多维度对技能进行流行度排序，揭示出高需求技能通常对应高薪职位。

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.

研究动机与目标

• 通过多维度方式衡量工作技能流行度，以弥合雇主与求职者之间的技能差距。
• 对招聘数据中工作准则（如薪资、公司规模）与技能相互依赖关系的复杂互动进行建模。
• 开发一种可扩展且可解释的方法，基于多个维度的流行度对工作技能进行排序。
• 为求职者和人才管理者提供可操作的见解，明确哪些技能能带来更好的就业结果。
• 通过技能流行度建模，实现个性化人才推荐和简历筛选。

提出的方法

• 从中国主要招聘平台（2013–2015年）收集的892,454份职位招聘启事中提取技能，构建工作技能网络（'Skill-Net'）。
• 开发一种新型基于技能流行度的主题模型（SPTM），联合建模工作准则（如薪资、公司规模）和技能类别作为标签。
• 利用SPTM从技能网络中的核心技能及其邻近节点生成文档，捕捉潜在的技能关联。
• 将分层技能依赖关系和工作准则整合进主题建模框架，以反映多重视角的流行度。
• 在真实招聘数据上训练SPTM，学习技能上的主题分布，从而实现对技能流行度的多准则排序。
• 通过真实世界数据验证模型性能，并通过定性和定量分析评估排序质量。

实验结果

研究问题

• RQ1 在不同工作准则（如薪资水平和公司规模）下，哪些工作技能最为流行？
• RQ2 潜在的技能关联（如JavaScript、PHP、Node.js）如何影响单个技能的感知流行度？
• RQ3 整合工作准则与技能网络结构在多大程度上提升了技能流行度排序的准确性和可解释性？
• RQ4 高流行度技能是否与高薪职位机会存在一致的关联模式？
• RQ5 所提出的模型能否揭示对求职者具有实际意义的洞察，以最大化其就业成果？

主要发现

• SPTM模型通过整合工作准则与技能网络结构，有效捕捉了多维度的流行度，在排序准确性上优于基线模型。
• Python、JavaScript和Java等技能在多个流行度维度中持续排名靠前，尤其在高薪职位中表现突出。
• 高人气技能与高薪职位机会密切相关，表明技能需求与薪酬之间存在强烈相关性。
• 模型显示，网络开发和数据科学领域的技能是最受追捧的，尤其在大型上市公司中更为明显。
• 技能网络结构表明，Node.js和React常与JavaScript共同提及，证实了它们在功能上的相互依赖性。
• 该模型展现出良好的可扩展性和可解释性，适用于真实场景应用，如简历筛选和人才推荐。