Learning job title representation is a vital process for developing automatic human resource tools. To do so, existing methods primarily rely on learning the title representation through skills extracted from the job description, neglecting the rich and diverse content within. Thus, we propose an alternative framework for learning job titles through their respective job description (JD) and utilize a Job Description Aggregator component to handle the lengthy description and bidirectional contrastive loss to account for the bidirectional relationship between the job title and its description. We evaluated the performance of our method on both in-domain and out-of-domain settings, achieving a superior performance over the skill-based approach.
Towards Job-Transition-Tag Graph for a Better Job Title Representation Learning
Laboratoire Mathématiques et Informatique pour la Complexité et les Systèmes（复杂系统数学与计算机科学实验室）；CentraleSupélec（巴黎中央理工-高等电力学院）；Université Paris-Saclay（巴黎萨克雷大学）
Overview of the TalentCLEF 2026: Skill and Job Title Intelligence for Human Capital Management
Avature Machine Learning, Spain（Avature机器学习实验室，西班牙）；TechWolf, Belgium（TechWolf，比利时）；NLP & IR Group at UNED, Madrid, Spain（西班牙国立远程教育大学自然语言处理与信息检索组，马德里，西班牙）
A Large-scale Industrial and Professional Occupation Dataset
Singapore University of Technology and Design（新加坡科技设计大学）；National University of Singapore（新加坡国立大学）
人们对利用职业数据采掘和分析越来越感兴趣。在当今的就业市场中，职业数据采掘和分析的重要性越来越大，因为它使公司能够预测员工流动率，建立职业轨迹模型，筛选简历并执行其他人力资源任务。促进这些任务的一个关键要求是需要一个与职业有关的数据集。然而，大多数研究使用专有数据集或不公开数据集，从而阻碍了这一领域的发展。为了解决这个问题，我们提出了工业和专业职业数据集（IPOD），其中包括属于56 k LinkedIn用户的192 k职位。除了公开IPOD，我们还：（i）手动注释每个职位及其相关的资历级别，工作领域和位置;以及（ii）提供职位嵌入并讨论各种用例。该数据集可在https://github.com/junhua/ipod上公开获得。
Internet and Data Science Lab (IDLab), Ghent University – imec, Ghent, Belgium（互联网与数据科学实验室（IDLab）、根特大学–imec、根特、比利时）；Data Science Lab (IDLab), Ghent University – imec, Ghent, Belgium（数据科学实验室（IDLab）、根特大学–imec、根特、比利时）
