面向现实场景的职业路径预测：评估方法与模型创新

这篇综述系统评估了职业路径预测（CPP）的四大模型架构（线性投影/LSTM/MLP/LLM），通过DECORTE和KARRIEREWEGE+数据集揭示了数据规模、结构化输入（ESCO v1.1.2）与合成数据质量对预测性能的影响。创新性提出MLP变体在多项指标刷新SOTA，首次将大语言模型（LLAMA-3-8B）应用于标准化CPP任务，并深入分析合成数据误差传播机制，为职业咨询和人才管理提供实践洞见。

　　

1 引言

职业路径预测（CPP）作为序列推荐的特殊形式，其核心挑战在于处理非标准化简历文本与有限标注数据。研究首次系统对比了线性投影、LSTM、多层感知机（MLP）和大语言模型（LLAMA-3-8B）在DECORTE（2,482份英文简历）和KARRIEREWEGE+（10万份德国失业者档案）数据集的表现，其中K+数据集通过LLAMA 3.1生成7种职务变体（K+occ）或完整路径合成（K+cp）。值得注意的是，ESCO v1.1.2的3,039类标签为评估提供结构化框架。

2 材料与方法

2.1 数据特征

DECORTE源自livecareer.com的匿名简历，职务描述通过专有分类器映射至ESCO；KARRIEREWEGE+则基于德国就业局真实数据，通过LLAMA生成合成文本。实验采用80/10/10的标准划分，关键发现包括：K+cp的路径级合成虽质量更高，但K+occ的标准化变体更易被模型学习。

2.2 模型架构

表示学习：采用all-mpnet-base-v2模型，通过多重负样本排名损失（MNRL）生成768维嵌入。LSTM：双向架构（16单元）在长序列预测中表现突出，但注意力机制反而降低性能。MLP创新：512维隐藏层的余弦嵌入损失（CEL）设计，在DECORTE上MRR达25.57，超越线性基线21.51。LLM微调：使用Meta-Llama-3-8B-Instruct进行指令微调，但beam search生成导致推理速度下降4倍。

3 结果

3.1 跨模型比较

MLP在多数场景领先（K+occ MRR=43.58），而LSTM仅在数据量大的K+ESCO占优。标题+描述组合使线性模型MRR提升23%（K+ESCO 47.75→38.87仅用标题）。LLM表现垫底，推测因其next-token预测与CPP序列特性存在根本冲突。

3.2 微调效应

fine-tuning使all-mpnet-base-v2对MLP提升10个百分点，但对LSTM增益有限。LLAMA微调超过2轮即过拟合，DECORTE上vanilla模型反而更优（MRR 18.22→14.37）。

3.3 错误模式

行业差异：在DECORTE中，"管理者"预测准确率超60%，而"武装部队"接近零。合成误差：37%错误案例中，合成标题如"物流协调员"（实际"搬运工")导致语义漂移，质量评分下降19%。

4 讨论

4.1 结论

MLP凭借非线性变换成为新SOTA，但数据分布决定上限——K+数据量使LSTM在"基础职业"类别R@5达52.1%。LLM需解决生成与检索的embedding空间错配问题。

4.2 展望

建议探索：1）基于ESCO的课程学习缓解数据稀疏；2）联合训练生成-检索模型；3）合成数据质量控制算法。这些发现为人力资源数字化提供重要方法论支持。