🔍Introduction

목적

• KNOW(한국직업정보) 설문 데이터셋을 활용한 직업 추천 알고리즘 개발
• 직업과 연관이 높은 설문지 문항 분석 및 영향변수 발굴

주최 / 주관

• 주최 : 한국고용정보원 / 주관 : 데이콘

리더보드

• Eval Metric : Macro F1-score
• Public Score : 전체 테스트 데이터 중 33% / Private Score : 전체 테스트 데이터 중 67%

최종 순위

🎖 3rd Prize

🗂Data Set

• 전체 데이터셋 row 약 4만개, column 갯수 약 160개

Features

• Likert 5, 7점 척도 기반의 설문

• 주관식 질문

Target

• 약 600개의 직업코드

🧑‍💻Model

Tabular Data

설문조사 데이터는 Categorical Data가 많은 정형데이터이기때문에

정형데이터 처리에 효과적인 Gradient Boosting 기반의 모델 중

Categorical Feauture Combinations과 One-hot Encoding을 지원하는 CatBoost를 사용

Text Data

직업의 특성이 드러나는 주관식 답변들을 한 문장으로 만든 후 KoNLPy의 Mecab 형태소 Tokenizer를 사용

짧은 길이의 Keyword 중심 답변들이 많아 LSTM보다 1D-CNN 모델이 더 높은 성능을 보임

HyperParameter Tuning

CatBoost

• loss_function을 MultiClass(1:1:1..1 예측)에서 MultiClassOneVsAll(1:다 예측)로 바꿔

  train에 걸리는 시간을 1/7정도로 줄이고 F1-Score도 높임

Ensemble

CatBoost와 1D-CNN이 출력한 모든 클래스 별 확률값에 Min-Max Scaler를 적용시킨 후 Soft-Voting

데이터 활용

취하자 - 직업 추천 웹사이트

https://github.com/PancakeCookie/Job-Recommendation-Website

뉴스 기사 분석

기사의 제목을 입력으로 받아 일자리 증가, 감소, 유지 중 어느 것에 해당하는 기사인지 분류