8月14日至18日|kdd2021在线上正式举行ai技术应用紧密结合( 五 )

文章图片
AI+人才管理：聚焦新领域的创新突破
一直以来，百度在“AI+人才管理”方面也实现了深厚的技术研究积累，今年年初就有相关研究成果登上国际顶级刊物Nature子刊NatureCommunications 。在KDD2021的被录取论文中，百度相关研究团队展现了在工作流动行为预测、人才需求预测等方面的最新研究成果。
12.基于异构图注意力表征的工作流动行为预测
AttentiveHeterogeneousGraphEmbeddingforJobMobilityPrediction
在当今人才经济时代，跳槽频繁现象已经成为新常态。因此，对工作流动预测的研究应运而生，它能使组织和个人在多个方面获益。本文聚焦在工作流动预测任务，现有研究主要集中在对个体层面的职业轨迹建模，而很大程度上忽略在宏观层面上职业流动的影响（例如，在公司与公司或岗位与岗位之间的人才流动）。实际上，这种宏观层面上的职业流动信息能够反映出人才市场的趋势，对个人的跳槽决定会产生一定影响。为此，本文提出一种建模宏观层面职业流动行为影响来辅助预测个体层面的工作流动框架（Ahead）。首先，从观测到的职业轨迹链中构造异质企业-岗位网络来保留宏观层面的职业流动信息。其次，本文构建了AHGN模块从异质图中获取岗位和企业丰富的语义表征。其中提出了两种聚合器，分别用来聚合内部和外部邻居的信息，以及一种新颖的类型注意机制被用来融合两种聚合器的信息以更新节点表示。最后在公开互联网数据集上的实验结果从多个角度证明了本文方法的有效性。

文章图片
13.基于注意力序列模型的人才需求预测
TalentDemandForecastingwithAttentiveNeuralSequentialModel
【8月14日至18日|kdd2021在线上正式举行ai技术应用紧密结合】人才需求预测（TalentDemandForecasting）技术是指根据公开互联网数据对未来公司的人才招聘需求进行预测的技术。在当今瞬息万变的商业环境中，根据公开数据及时预测各个企业在招聘市场中的人才需求趋势，不仅可以帮助企业指定合适的人才斩落，保持自身人才竞争力，还可以帮助政府从宏观角度对人力市场的供需关系进行分析。虽然已有很多在招聘市场分析方面的工作，但由于细粒度人才需求时间序列的稀疏性和招聘市场复杂的时序模式，仍然没有有效的方法可以预测细粒度的人才需求动态。为此，在本文中，我们提出了一种数据驱动的注意力序列模型，即人才需求注意力网络（TDAN），用于预测公开市场中的细粒度人才需求。我们首提取多个粒度级别上人才需求的时间序列，并使用矩阵分解技术提取公司和职位的内在属性。然后，我们设计了一种混合注意力模块来捕捉公司的趋势和行业的趋势，用以增强细粒度人才需求的信息。接着设计了一个相关性注意力时序模块，用于对随公司和职位变化的复杂的时间相关性进行建模。最后，在大规模公开互联网数据集上进行了大量实验，结果验证了所提方法在细粒度人才需求预测方面的有效性，展示了其对招聘趋势建模的可解释性。