магистрант
г. Алматы
Master’s student
Almaty
магистрант
г. Алматы
Master’s student
Almaty
PhD, ассоциированный профессор
г. Алматы
PhD, Associate Professor
Almaty
PhD, ассоциированный профессор
г. Астана
PhD, Associate Professor
Astana
В данном исследовании представлена двойная система глубокого обучения, которая прогнозирует диапазоны заработной платы, обрабатывая описания вакансий с использованием контекстных эмбеддингов на базе BERT и интеграции структурированных метаданных. Предложенный метод использует более 124 000 объявлений о работе с LinkedIn, объединяя контекстные эмбеддинги BERT с структурированной информацией о локации, отрасли, уровне опыта и типе компенсации. Модель применяет механизм multi-head attention для выявления ключевых терминов, связанных с зарплатой, что повышает интерпретируемость модели и улучшает точность прогнозов. Объединяя семантические эмбеддинги с табличными данными, модель создает мультимодальное представление, которое используется в контролируемом обучении с ординально-осведомленной функцией потерь (ordinal-aware loss). Модель демонстрирует стабильную производительность в классификации зарплат по трем категориям, достигая F1-показателей от 0,82 до 0,84. Предложенная модель обладает отличными обобщающими способностями для различных отраслей и типов должностей, обеспечивая точные прогнозы и прозрачные процессы принятия решений для приложений по бенчмаркингу заработной платы и аналитике рекрутинга.
The research introduces a dual deep learning system which predicts salary ranges by processing job descriptions through BERT-based contextual embeddings and structured metadata integration. The proposed method utilizes more than 124,000 LinkedIn job postings to merge BERT-based contextual embeddings with structured information about location and industry and experience level and compensation type. The model uses multi-head attention to identify essential salary-related terms in job descriptions which results in better model interpretability and improved prediction accuracy. The model combines semantic embeddings with tabular data to create a multimodal representation which serves as input for supervised learning with an ordinal-aware loss function. The model achieves stable performance in salary classification across three categories through F1-scores between 0.82 and 0.84. The proposed model achieves excellent generalization capabilities for different sectors and job types while providing precise predictions and clear decision-making processes for salary benchmarking and recruitment analytics applications.
The authors declare that there are no conflicts of interest present.