Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 이력서와 같은 비정형 데이터를 활용하여 시간적 및 교육적 신호를 포착하고, 다음 직업을 예측하는 새로운 경력 경로 추천 시스템 STEP을 제안합니다. STEP은 GRU 셀과 어텐션 기반 시퀀스 풀링을 사용하여 시간적 동역학을 모델링하며, ROUTE라는 두 단계의 대비 절차를 통해 내부 직업 표현을 개선했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기경력 경로는 수십 년간의 기술 습득, 역할 전환, 그리고 교육 투자를 담고 있으며, 이를 대규모로 이해하는 것은 인력 계획, 노동 시장 정책, 그리고 직업 추천의 기반이 됩니다. 이력서는 경력 경로에 대한 풍부한 정보원입니다. 여기에는 근무 경험, 학력, 기술에 대한 상세한 설명이 포함되어 있습니다. 그러나 비정형적이고, 이질적이며, 다국어적인 특성 때문에 오랫동안 대규모 체계적인 분석을 방해해 왔습니다. 대규모 언어 모델(LLMs)의 등장으로 인해 이제는 비정형적인 이력서에서 시간적 및 교육적 신호를 포함하는 풍부한 경력 궤적 데이터를 추출하는 것이 가능해졌으며, 이는 경력 경로 추천에 새로운 기회를 열었습니다. 이러한 기회를 활용하여, 우리는 시간적 및 교육적 신호를 이용해 경력 궤적상의 다음 직업을 예측하는 새로운 경력 경로 추천 시스템인 STEP (Sequential Trajectory of Employment Prediction)을 제시합니다. STEP은 시간 역감쇠 게이트 순환 단위(GRU) 셀을 통합하여 시간적 동역학을 모델링하고, 교육 수준에 조건화된 Feature-wise Linear Modulation (FiLM), 그리고 다음 직업 예측을 위해 관련 특징을 선택하는 어텐션 기반 시퀀스 풀링을 사용합니다. STEP의 내부 직업 표현을 개선하기 위해, 우리는 두 단계의 대조적 절차인 ROUTE를 도입합니다. 이는 먼저 비지도 노이즈 제거 오토인코딩(denoising autoencoding)을 통해 다국어 인코더를 경력 도메인에 적응시킨 다음, 안내된 부정 선택(guided negative selection)을 통해 지도 대조 미세 조정(supervised contrastive fine-tuning)을 수행합니다. 우리는 개선된 버전의 공개 JobHop 데이터셋을 포함하여 네 가지 경력 궤적 데이터셋에서 STEP을 평가했으며, 다음 직업 예측에서 최첨단 기준선들을 능가함을 보여줍니다. 재현 가능한 경력 궤적 연구를 지원하기 위해 데이터셋과 코드를 공개적으로 배포합니다.