[论文解读] JobComposer: Career Path Optimization via Multicriteria Utility Learning

Richard J. Oentaryo, Xavier Jayaraj Siddarth Ashok+2 more|arXiv (Cornell University)|Sep 4, 2018

Reinforcement Learning in Robotics参考文献 18被引用 4

一句话总结

JobComposer 是一种数据驱动的框架，通过多准则效用学习优化职业路径，以改进在线职业网络中常见的次优职业轨迹。通过将效用优化分解为薪资、职位层级和吸引力三个维度，该框架生成了更优的非贪婪职业路径，与常见或实际路径相比，可将晋升时间缩短多达 80 个月。

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.

研究动机与目标

• 为解决在线职业网络（OPNs）中长期、数据驱动的职业路径优化缺失的问题，这些网络通常反映次优、非个性化且受流行度偏见影响的职业轨迹。
• 克服现有职业推荐系统局限性，这些系统优先考虑常见路径，而未考虑薪资、职位层级和吸引力等多重回报指标之间的权衡。
• 开发一种新颖的多准则效用学习框架，通过在多个潜在冲突的职业目标上最大化综合效用函数，识别最优职业路径。
• 证明在线职业网络中观察到的职业路径往往次优，原因包括过渡不完整、主观决策或缺乏战略性规划。
• 提供一种可扩展、高效的个性化高质量职业路径推荐方法，其表现优于实际用户路径和贪婪的常见路径启发式方法。

提出的方法

• JobComposer 将职业发展建模为基于大规模 OPN 数据集（26.5 万个以上职业转换）中提取的职业转换序列的马尔可夫过程。
• 将职业路径优化形式化为多准则效用学习问题，同时优化路径上的薪资、职位层级和吸引力增益。
• 采用基于分解的迭代算法，将多准则问题拆分为多个标量子问题，从而实现对各项指标的高效联合优化。
• 利用效用学习估计竞争性指标之间的权衡，使系统能够为特定用户偏好识别最佳折衷路径。
• 通过组合最大化累积效用的职业转换序列，计算最优职业路径，基于观察到的职业轨迹。
• 该框架支持非贪婪、非流行的职业路径，这些路径可能比常见路线带来更好的长期结果。

实验结果

研究问题

• RQ1 能否通过数据驱动优化系统性地改进在线职业网络中观察到的职业路径？
• RQ2 多准则效用学习框架在晋升时间、职位层级和吸引力方面，能在多大程度上优于流行或实际职业路径？
• RQ3 基于分解的多准则效用学习方法在平衡薪资、职位层级和工作满意度等竞争性职业目标方面有多有效？
• RQ4 非流行、非贪婪的职业路径在长期职业成果方面是否优于常见路径？
• RQ5 基于效用的优化能否生成既合理又显著优于基线方法的职业路径？

主要发现

• 在一项案例研究中，JobComposer 相较于贪婪的最常见路径方法，将晋升时间缩短了最多 80 个月，同时实现了更高的职位层级和吸引力增益。
• 在定性分析中，JobComposer 生成的职业路径相比实际职业路径节省了 70 至 80 个月，职位层级和吸引力均有持续提升。
• 对于电信行业的用户，JobComposer 建议留在同一行业但转至规模更小的公司，节省了 70 个月，且吸引力高于最常见路径。
• 在金融服务领域，JobComposer 的建议节省了 56 个月，并使用户晋升至更高职位（助理副总裁），其吸引力高于贪婪最常见方法推荐的路径。
• 在半导体行业，JobComposer 建议转行至银行，使用户在比贪婪路径提前 67 个月达到管理董事职位，且职位层级和吸引力增益显著更高。
• 该方法在所有评估指标中均持续优于实际职业路径和贪婪最常见路径，证明流行路径并不总是最优选择。