Show simple item record

2020-05-28Masterarbeit DOI: 10.18452/21341
Career Recommendations Using Supervised Latent Dirichlet Allocation
dc.contributor.authorSiskos, Thomas
dc.date.accessioned2020-05-28T13:48:28Z
dc.date.available2020-05-28T13:48:28Z
dc.date.issued2020-05-28none
dc.identifier.urihttp://edoc.hu-berlin.de/18452/22159
dc.description.abstractDie Arbeitssuche ist für die meisten Menschen bestenfalls lästig. Die Auswahl eines beruflichen Werdegangs ist ebenfalls eine Herausforderung. Wir stellen ein Modell vor, das bei diesen Problemen Abhilfe schaffen soll. Mithilfe der geschätzten Parameter des Modells sind wir in der Lage den wichtigsten Skill zu identifizieren der eine gewünschte Laufbahn am effektivsten vorantreibt. Des Weiteren erlaubt das Modell ein automatisches Zuordnen von Skills zu Kursen. Wir beschreiben die Schritte eines Bayesianischen Variational Inference Algorithmus und testen unsere Implementation mithilfe simulierter Daten. Wir können zeigen, dass der Supervised Latent Dirichlet Allocation Algorithmus in der Lage ist die innere Struktur der Simulationen im Wesentlichen zu extrahieren. Abschließend zeigen wir, dass es möglich ist, die gewonnenen latenten Variablen adäquat als eine Grundlage zur Erstellung von Online-Trainings Kursen zu nutzen.ger
dc.description.abstractFor most people, looking for a new job is a chore at best. Picking a career is also a challenge. And even if one has a job she wishes to pursue, it is often not clear which skills should be acquired next. To facilitate these problems we propose a model that is capable of predicting a person's occupation based on their provided set of skills. Using the estimated parameters of this model we can suggest the next skill a user may acquire in order to pursue a given career. Finally, the model allows for an automated grouping of skills into courses. We derive the steps of a Bayesian Variational Inference algorithm called Supervised Latent Dirichlet Allocation which extends original Latent Dirichlet Allocation algorithm in order to predict a multi-class label and implement it. We compare our implementation against multiple out-of-the-box algorithms for multi-class prediction using simulated data in various simulation settings. We are able to show that Supervised Latent Dirichlet Allocation is capable of extracting the innate structure in most of the simulation settings. Finally, we demonstrate that the latent factors of Supervised Latent Dirichlet Allocation form logically coherent clusters of skills that are closely related to their respective profession and thus may lend themselves to the automatic collection of online training videos for online courses.eng
dc.language.isoengnone
dc.publisherHumboldt-Universität zu Berlin
dc.rights(CC BY-NC 4.0) Attribution-NonCommercial 4.0 Internationalger
dc.rights.urihttps://creativecommons.org/licenses/by-nc/4.0/
dc.subjectBerufsberatungger
dc.subjectSkillberatungger
dc.subjectSupervised Latent Dirichlet Allocationger
dc.subjectVariational Inferenceger
dc.subjectJob-Recommendationeng
dc.subjectSkill-Recommendationeng
dc.subjectSupervised Latent Dirichlet Allocationeng
dc.subjectVariational Inferenceeng
dc.subject.ddc005 Computerprogrammierung, Computerprogramme, Datennone
dc.subject.ddc510 Mathematiknone
dc.titleCareer Recommendations Using Supervised Latent Dirichlet Allocationnone
dc.typemasterThesis
dc.identifier.urnurn:nbn:de:kobv:11-110-18452/22159-0
dc.identifier.doihttp://dx.doi.org/10.18452/21341
dc.date.accepted2020-03-30
dc.contributor.refereeGreven, Sonja
dc.contributor.refereeLopez Cabrera, Brenda
local.edoc.pages53none
local.edoc.type-nameMasterarbeit
local.edoc.institutionWirtschaftswissenschaftliche Fakultätnone

Show simple item record