[论文解读] "You Know Because I Know": a Multidimensional Network Approach to Human Resources Problem

Michele Coscia, Giulio Rossetti+3 more|arXiv (Cornell University)|May 30, 2013

Complex Network Analysis Techniques参考文献 14被引用 13

一句话总结

本文提出UBIK，一种新颖的多维网络排名算法，不仅根据员工自身的技能，还根据其关联人脉的专业能力来评估员工，从而在组织中实现更灵活、更深入的人才发现。该方法在DBLP和Enron电子邮件数据等真实网络中，对多个技能维度生成独特且非平凡的排名，优于现有最先进算法。

ABSTRACT

Finding talents, often among the people already hired, is an endemic challenge for organizations. The social networking revolution, with online tools like Linkedin, made possible to make explicit and accessible what we perceived, but not used, for thousands of years: the exact position and ranking of a person in a network of professional and personal connections. To search and mine where and how an employee is positioned on a global skill network will enable organizations to find unpredictable sources of knowledge, innovation and know-how. This data richness and hidden knowledge demands for a multidimensional and multiskill approach to the network ranking problem. Multidimensional networks are networks with multiple kinds of relations. To the best of our knowledge, no network-based ranking algorithm is able to handle multidimensional networks and multiple rankings over multiple attributes at the same time. In this paper we propose such an algorithm, whose aim is to address the node multi-ranking problem in multidimensional networks. We test our algorithm over several real world networks, extracted from DBLP and the Enron email corpus, and we show its usefulness in providing less trivial and more flexible rankings than the current state of the art algorithms.

研究动机与目标

• 解决通过利用社交网络结构识别组织中未被发掘人才的挑战。
• 开发一种同时考虑个体技能与关联同伴专业能力的多维网络排名方法。
• 在具有多种边类型（如合著、电子邮件通信）的网络中，提供多个独立的、按技能划分的排名。
• 改进仅处理单维网络或单一排名的现有算法。
• 在真实世界的人力资源与知识发现场景中，展示该算法的实用性。

提出的方法

• UBIK算法建模具有多种边类型的网络（如合著、电子邮件交换），并根据节点的技能集合为其分配加权标签。
• 通过一个函数计算节点的值，该函数聚合其自身技能及其邻居的技能，权重由连接的强度和类型决定。
• 对特定网络维度（如会议或时间段）应用乘法缩放因子（例如10倍），以强调特定关系。
• 采用线性时间实现，可随边数高效扩展，适用于大规模真实世界数据集。
• 通过将每项技能视为网络中的独立维度，支持多个独立排名（每个技能一个）。
• 整合社会回报效应，即节点的价值不仅来自自身技能，也来自其关联同伴的专业能力。

实验结果

研究问题

• RQ1 如何通过不仅依赖个体技能，还利用员工网络关联人脉的专业能力，来提升组织中的人才发现能力？
• RQ2 多维网络排名算法是否能产生比现有单维或单一排名方法更灵活、更具洞察力的排名结果？
• RQ3 不同类型的关系（如同公司内 vs. 跨公司）如何影响技能网络中节点的价值？
• RQ4 UBIK算法在多大程度上能揭示真实组织网络中的隐藏知识枢纽？
• RQ5 与PageRank等标准排名方法相比，该算法在DBLP和Enron等真实数据集上的表现如何？

主要发现

• 在Enron电子邮件网络中，UBIK将乔安妮·威廉森（顶级高管秘书）列为前10名，尽管她缺乏正式领导头衔，揭示了其作为关键知识枢纽的角色。
• 肯尼斯·莱与杰弗里·斯金格尔（两位高管）在工作日排名中表现不佳（分别位列第617名与第725名），表明传统可见性并不等同于基于技能的网络中心性。
• 周末电子邮件排名揭示了不同模式：部分低排名员工跃升至高排名，表明非工作时间的沟通模式可能暴露隐藏的影响力者。
• 在DBLP合著网络中，UBIK成功识别出仅在特定会议中表现突出的专家，而这些人在整体作者排名中并不靠前，证明其能发现细分领域的专业能力。
• 该算法在不同维度（如工作日与周末、特定会议）上生成了独特且非平凡的排名，展现出优于标准方法的灵活性。
• UBIK的线性时间实现使其可在大规模网络上可扩展部署，适用于真实世界的人力资源与知识管理应用。