GraphRank Pro+: Advancing Talent Analytics Through Knowledge Graphs and Sentiment-Enhanced Skill Profiling
作者: Sirisha Velampalli, Chandrashekar Muniyappa
发布时间: 2025-02-27
来源: arxiv
研究方向: 人才分析与半结构化数据处理
主要内容
本文提出了一种名为GraphRank Pro+的创新方法，旨在通过知识图谱和情感增强的技能配置文件来提升人才分析。该方法能够从半结构化文本（如简历）中提取信息，并利用图结构、自然语言处理（NLP）和深度学习技术进行精确的信息提取和复杂查询。
主要贡献
1. 将复杂逻辑抽象为图结构，将原始数据转换为知识图谱。
2. 构建字典并分配技能权重，为人才分析提供细致的分析。
3. 为招聘人员和课程设计师提供信息提取和查询功能。
4. 为求职者提供基于查询的过滤和排名功能。
5. 在技能评估中引入情感分析，使技能评估更加细致。
6. 通过权重连接技能-项目边，以区分个人的细微专业知识。
7. 提供强大的查询功能，包括简单查询和复杂查询。
研究方法
1. 文本解析技术，包括正则表达式解析、词性标注、命名实体识别等。
2. 构建知识图谱，包括节点和边的创建。
3. 情感分析，用于评估技能描述中的情感。
4. 图数据库（如Neo4j）的使用，用于存储和处理图结构数据。
5. 自然语言处理和深度学习技术，用于信息提取和技能评估。
实验结果
实验结果表明，GraphRank Pro+在技能提取、情感分析和简历排名方面均优于传统方法。在技能提取方面，精确率达到92%，召回率达到88%，F1分数达到90%。在情感分析方面，准确率达到85%，精确率和召回率分别为86%和84%。在简历排名方面，识别最相关简历的准确率分别为78%（前3位）、85%（前5位）和90%（前10位）。
未来工作
未来工作将包括使用图神经网络进行高效相似性搜索，丰富图拓扑结构以表示随机工作变动，并使用DeepWalk寻找工作变动模式，以识别可保留员工和波动员工。此外，还将帮助组织确定其工作力的可预测关联时间，并使用保留方法或增加类似或互补的工作力以保持业务连续性。