Career Path Prediction using Resume Representation Learning and Skill-based Matching

📄 arXiv: 2310.15636v1 📥 PDF

作者: Jens-Joris Decorte, Jeroen Van Hautte, Johannes Deleu, Chris Develder, Thomas Demeester

分类: cs.CL, cs.AI

发布日期: 2023-10-24

备注: Accepted to the 3nd Workshop on Recommender Systems for Human Resources (RecSys in HR 2023) as part of RecSys 2023

💡 一句话要点

提出CareerBERT以解决职业路径预测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 职业路径预测 简历分析 表示学习 CareerBERT 技能匹配 人岗匹配 机器学习

📋 核心要点

  1. 现有职业路径预测方法依赖大量私人职业历史数据，难以获取和处理。
  2. 本文提出CareerBERT，通过分析简历中的文本描述来进行职业路径预测。
  3. 实验结果显示，混合模型的召回率@10达到了43.01%，优于单一模型的表现。

📝 摘要（中文）

人岗匹配对工作满意度和绩效的影响已被广泛认可，因此在职业生涯中及时提供下一步建议至关重要。职业路径预测旨在预测个人的职业发展方向，具有防止员工流失和内部职位流动等多种应用。现有方法依赖大量私人职业历史数据来建模职位与公司的互动。本文提出利用简历工作经历部分未被充分利用的文本描述，构建了一个包含2164个匿名职业历史的结构化数据集，并引入了专为工作历史数据设计的表示学习方法CareerBERT。我们开发了基于技能和文本的模型进行职业路径预测，分别在数据集上实现了35.24%和39.61%的召回率@10，混合方法则达到了43.01%的最佳结果。

🔬 方法详解

问题定义：本文旨在解决职业路径预测中的数据稀缺问题，现有方法依赖于大量的私人职业历史数据，难以获取且处理复杂。

核心思路：通过利用简历中工作经历部分的文本描述，构建一个新的表示学习框架CareerBERT，以捕捉职业历史数据中的潜在信息。

技术框架：整体架构包括数据集构建、CareerBERT模型设计、基于技能和文本的预测模型开发，以及混合模型的实现。

关键创新：引入CareerBERT作为专门针对工作历史数据的表示学习方法，利用简历文本信息进行职业路径预测，区别于传统依赖结构化数据的方法。

关键设计：模型采用了特定的损失函数和网络结构，优化了文本表示的学习过程，确保模型能够有效捕捉职业技能与职位之间的关系。通过调优参数，提升了模型的预测性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于技能和文本的模型分别实现了35.24%和39.61%的召回率@10，而混合模型的召回率@10达到了43.01%，显示出显著的性能提升。这一结果表明，结合不同模型的优势能够有效提高职业路径预测的准确性。

🎯 应用场景

该研究的潜在应用领域包括人力资源管理、职业咨询和员工职业发展规划等。通过准确预测职业路径，企业可以更好地进行人才管理，提升员工满意度和留存率。此外，该方法也可为求职者提供个性化的职业建议，帮助他们规划职业生涯。

📄 摘要（原文）

The impact of person-job fit on job satisfaction and performance is widely acknowledged, which highlights the importance of providing workers with next steps at the right time in their career. This task of predicting the next step in a career is known as career path prediction, and has diverse applications such as turnover prevention and internal job mobility. Existing methods to career path prediction rely on large amounts of private career history data to model the interactions between job titles and companies. We propose leveraging the unexplored textual descriptions that are part of work experience sections in resumes. We introduce a structured dataset of 2,164 anonymized career histories, annotated with ESCO occupation labels. Based on this dataset, we present a novel representation learning approach, CareerBERT, specifically designed for work history data. We develop a skill-based model and a text-based model for career path prediction, which achieve 35.24% and 39.61% recall@10 respectively on our dataset. Finally, we show that both approaches are complementary as a hybrid approach achieves the strongest result with 43.01% recall@10.