دانلود رایگان مقالات الزویر - ساینس دایرکتدانلود رایگان مقالات پژوهشی کامپیوتردانلود رایگان مقالات ژورنالی کامپیوتردانلود رایگان مقالات سال 2018دانلود رایگان مقاله ISI کلان داده یا بیگ دیتا به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی کامپیوتر به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI هوش مصنوعی به زبان انگلیسیدانلود رایگان مقاله ISI یادگیری ماشین به زبان انگلیسیسال انتشار

مقاله انگلیسی رایگان در مورد طبقه بندی آنلاین مشاغل شغلی از طریق یادگیری ماشین – الزویر ۲۰۱۸

 

مشخصات مقاله
ترجمه عنوان مقاله طبقه بندی آنلاین مشاغل شغلی از طریق یادگیری ماشین
عنوان انگلیسی مقاله Classifying online Job Advertisements through Machine Learning
انتشار مقاله سال ۲۰۱۸
تعداد صفحات مقاله انگلیسی ۲۹ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) scopus – master journals – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۴٫۶۳۹ در سال ۲۰۱۷
شاخص H_index ۸۵ در سال ۲۰۱۸
شاخص SJR ۰٫۸۴۴ در سال ۲۰۱۸
رشته های مرتبط مهندسی کامپیوتر
گرایش های مرتبط هوش مصنوعی
نوع ارائه مقاله
ژورنال
مجله / کنفرانس نسل آینده سیستم های کامپیوتری – Future Generation Computer Systems
دانشگاه  Department of Statistics and Quantitative Methods – University of Milan-Bicocca – Italy
کلمات کلیدی یادگیری ماشین، طبقه بندی متن، کلان داده، NLP
کلمات کلیدی انگلیسی Machine Learning, Text Classification, Big Data, NLP
شناسه دیجیتال – doi
https://doi.org/10.1016/j.future.2018.03.035
کد محصول E10209
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Highlights
Abstract
Keywords
۱ Introduction
۲ Related work
۳ Preliminaries and problem formulation
۴ Results
۵ Concluding remarks and research directions
References
Vitae

بخشی از متن مقاله:
Abstract

The rapid growth of Web usage for advertising job positions provides a great opportunity for real-time labour market monitoring. This is the aim of Labour Market Intelligence (LMI), a field that is becoming increasingly relevant to EU Labour Market policies design and evaluation. The analysis of Web job vacancies, indeed, represents a competitive advantage to labour market stakeholders with respect to classical survey-based analyses, as it allows for reducing the time-to-market of the analysis by moving towards a fact-based decision making model. In this paper, we present our approach for automatically classifying million Web job vacancies on a standard taxonomy of occupations. We show how this problem has been expressed in terms of text classification via machine learning. We also show how our approach has been applied to certain real-life projects and we discuss the benefits provided to end users.

Introduction

In the last few years, the diffusion of web-centric services is growing exponentially, and this allows a significant part of the European Labour demand to be communicated through specialised web portals and services. This has also led to the introduction of the term “Labour Market Intelligence” (LMI), which refers to the use and design of AI algorithms and frameworks for Labour Market Data to support decision-making. Motivating Example. In the on-line job market, a job vacancy is a document containing two main text fields: a title and a full description. The title shortly summarizes the job position, while the full description field usually includes the position details and the relevant skills the employee must possess. Table 1 shows two job vacancies extracted from specialised web sites. Though both advertisements seek for computer scientists, the differences in terms of job requirements, skills and corresponding educational levels are quite evident. The first job vacancy (A) is looking for a software developer, while the second one (B) is looking for a less qualified candidate, i.e., an ICT technician. Indeed, in the latter case, the only requested abilities are to be able to use certain solutions, and the knowledge of a programming language (optional) which is usually taught in some professional high-schools. Being able to catch these differences and to classify these two distinct occupational profiles promptly and using a standard taxonomy is mandatory for analysing, sharing, and comparing the web Labour market dynamics over different regions and countries, focusing on the skills they require and linking them to the ones expected for such positions. There is a growing interest in designing and implementing real LMI applications for Web Labour Market data that can support policy design and evaluation activities through evidence-based decision-making.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا