A Cross-View Hierarchical Graph Learning Hypernetwork for Skill Demand-Supply Joint Prediction

要約

テクノロジーと産業の状況が急速に変化しているため、ダイナミックなスキル要件が求められており、労働市場での競争力を維持するには、従業員と雇用主がそのような変化を予測することが重要になっています。
この分野における既存の取り組みは、専門分野の知識に依存しているか、スキルの進化を単純化された時系列予測問題として扱っています。
しかし、どちらのアプローチも、さまざまなスキル間の高度な関係や、スキルの需要と供給の変動間の内部関係を見落としています。
この論文では、共同スキルの需要と供給を予測するためのクロスビュー階層グラフ学習ハイパーネットワーク (CHGH) フレームワークを提案します。
具体的には、CHGH は、i) スキルの需要と供給の間の相互関係を捉えるクロスビュー グラフ エンコーダー、ii) クラスターごとの観点からスキルの共進化をモデル化する階層型グラフ エンコーダーで構成されるエンコーダー デコーダー ネットワークです。
iii) 過去の需要と供給のギャップを組み込むことで、需要と供給の変動を共同で予測する条件付きハイパーデコーダ。
3 つの現実世界のデータセットに対する広範な実験により、7 つのベースラインと比較した提案されたフレームワークの優位性と 3 つのモジュールの有効性が実証されました。

要約(オリジナル)

The rapidly changing landscape of technology and industries leads to dynamic skill requirements, making it crucial for employees and employers to anticipate such shifts to maintain a competitive edge in the labor market. Existing efforts in this area either rely on domain-expert knowledge or regarding skill evolution as a simplified time series forecasting problem. However, both approaches overlook the sophisticated relationships among different skills and the inner-connection between skill demand and supply variations. In this paper, we propose a Cross-view Hierarchical Graph learning Hypernetwork (CHGH) framework for joint skill demand-supply prediction. Specifically, CHGH is an encoder-decoder network consisting of i) a cross-view graph encoder to capture the interconnection between skill demand and supply, ii) a hierarchical graph encoder to model the co-evolution of skills from a cluster-wise perspective, and iii) a conditional hyper-decoder to jointly predict demand and supply variations by incorporating historical demand-supply gaps. Extensive experiments on three real-world datasets demonstrate the superiority of the proposed framework compared to seven baselines and the effectiveness of the three modules.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google