Predictive models for career progression

Abstract

Linkedin est le plus grand réseau social pour les professionnels où les utilisateurs du service partagent toute leur histoire professionnelle. Dans ce travail, nous explorons les méthodes par lesquelles nous pouvons modéliser la trajectoire de carrière d'un candidat donné et prédire les changements de carrière futurs. La première partie de cette thèse est une tentative de normaliser les données sur les titres d'emploi, car nous avons constaté que la façon dont les utilisateurs de la plate-forme de réseautage social professionnel décident d'y saisir leurs titres varie énormément. Ensuite, nous explorons divers modèles prédictifs inspirés des modèles de langage de forme, ainsi que des modèles neuronaux séquentiels.

LinkedIn is the largest social network for professionals where users of the service share all of their professional history. In this work we explore methods by which we can model the career trajectory of a given candidate and predict future career moves. The first part of this thesis is an attempt to normalize the job titles data as we have found that there is a great deal of variation in how the users of the professional social networking platform decide to input their titles. Then we move on to exploring various predictive models inspired form language models as well as sequential neuronal models.