ترجمه فارسی مقاله CAPER: افزایش پیش‌بینی مسیر شغلی با استفاده از نمودار دانش زمانی و رابطه سه‌گانه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی CAPER: Enhancing Career Trajectory Prediction using Temporal Knowledge Graph and Ternary Relationship
عنوان مقاله به فارسی CAPER: افزایش پیش‌بینی مسیر شغلی با استفاده از نمودار دانش زمانی و رابطه سه‌گانه
نویسندگان Yeon-Chang Lee, JaeHyun Lee, Michiharu Yamashita, Dongwon Lee, Sang-Wook Kim
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Information Retrieval,یادگیری ماشین , بازیابی اطلاعات ,
توضیحات Submitted 28 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 28 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The problem of career trajectory prediction (CTP) aims to predict one's future employer or job position. While several CTP methods have been developed for this problem, we posit that none of these methods (1) jointly considers the mutual ternary dependency between three key units (i.e., user, position, and company) of a career and (2) captures the characteristic shifts of key units in career over time, leading to an inaccurate understanding of the job movement patterns in the labor market. To address the above challenges, we propose a novel solution, named as CAPER, that solves the challenges via sophisticated temporal knowledge graph (TKG) modeling. It enables the utilization of a graph-structured knowledge base with rich expressiveness, effectively preserving the changes in job movement patterns. Furthermore, we devise an extrapolated career reasoning task on TKG for a realistic evaluation. The experiments on a real-world career trajectory dataset demonstrate that CAPER consistently and significantly outperforms four baselines, two recent TKG reasoning methods, and five state-of-the-art CTP methods in predicting one's future companies and positions-i.e., on average, yielding 6.80% and 34.58% more accurate predictions, respectively.

چکیده به فارسی (ترجمه ماشینی)

مشکل پیش بینی مسیر شغلی (CTP) هدف پیش بینی کارفرمای آینده یا موقعیت شغلی است.در حالی که چندین روش CTP برای این مشکل ایجاد شده است ، ما تصریح می کنیم که هیچ یک از این روش ها (1) به طور مشترک وابستگی سه گانه متقابل بین سه واحد کلیدی (به عنوان مثال ، کاربر ، موقعیت و شرکت) یک شغلی را در نظر نمی گیرند و (2) ضبط می کندتغییر مشخصه واحدهای کلیدی در حرفه با گذشت زمان و منجر به درک نادرست از الگوهای حرکت شغلی در بازار کار می شود.برای پرداختن به چالش های فوق ، ما یک راه حل جدید به نام Caper را پیشنهاد می کنیم که چالش ها را از طریق مدل سازی پیشرفته دانش زمانی (TKG) حل می کند.این امکان استفاده از یک پایگاه دانش ساختار یافته نمودار را با بیان غنی فراهم می کند ، و به طور مؤثر تغییرات در الگوهای حرکت شغلی را حفظ می کند.علاوه بر این ، ما یک کار استدلال شغلی برون یابی را در TKG برای یک ارزیابی واقع گرایانه ابداع می کنیم.آزمایشات موجود در یک مجموعه داده مسیر شغلی در دنیای واقعی نشان می دهد که CAPER به طور مداوم و به طور قابل توجهی از چهار خط پایه ، دو روش استدلال TKG اخیر و پنج روش پیشرفته CTP در پیش بینی شرکت ها و موقعیت های آینده فرد-I.E ، به طور متوسط ​​، به طور متوسط ​​، بهتر عمل می کند.به ترتیب 6.80 ٪ و 34.58 ٪ پیش بینی دقیق تر.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.