Hierarchical Classification of Transversal Skills in Job Ads Based on Sentence Embeddings

要約

この論文では、深層学習モデルを使用して個々の職務内容に必要なスキルを予測することに重点を置き、求人広告の要件と横断的なスキルセットの間の相関関係を特定することを目的とした分類フレームワークを提案します。
このアプローチには、ESCO (ヨーロッパのスキル、能力、職業) 分類法を使用したデータ収集、前処理、およびラベル付けが含まれます。
階層分類とマルチラベル戦略はスキルの識別に使用され、拡張技術はデータの不均衡に対処し、モデルの堅牢性を高めます。
英語固有の文埋め込みモデルと複数言語の文埋め込みモデルで得られた結果を比較すると、ほぼ正確であることがわかります。
実験的なケーススタディでは、ニューラル ネットワークの構成、ハイパーパラメーター、相互検証の結果が詳しく説明されており、階層的アプローチの有効性と、ヨーロッパの多様な雇用市場に対する多言語モデルの適合性が強調されています。
したがって、求人広告から横断的スキルを階層的に分類するための新しいアプローチが提案されています。

要約(オリジナル)

This paper proposes a classification framework aimed at identifying correlations between job ad requirements and transversal skill sets, with a focus on predicting the necessary skills for individual job descriptions using a deep learning model. The approach involves data collection, preprocessing, and labeling using ESCO (European Skills, Competences, and Occupations) taxonomy. Hierarchical classification and multi-label strategies are used for skill identification, while augmentation techniques address data imbalance, enhancing model robustness. A comparison between results obtained with English-specific and multi-language sentence embedding models reveals close accuracy. The experimental case studies detail neural network configurations, hyperparameters, and cross-validation results, highlighting the efficacy of the hierarchical approach and the suitability of the multi-language model for the diverse European job market. Thus, a new approach is proposed for the hierarchical classification of transversal skills from job ads.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google