Job-SDF: A Multi-Granularity Dataset for Job Skill Demand Forecasting and Benchmarking

在一个快速发展的就业市场中，技能需求预测至关重要，因为它使政策制定者和企业能够预测和适应变化，确保劳动力技能与市场需求相一致，从而提高生产力和竞争力。此外，通过识别新兴的技能要求，它可以引导个人寻找相关的培训和教育机会，促进持续自我学习和发展。然而，缺乏全面的数据集是一个重大挑战，阻碍了这个领域的研究和发展。为了弥补这一差距，我们提出了Job-SDF数据集，旨在训练和基准测试工作技能需求预测模型。基于2021年至2023年中国主要在线招聘平台收集的1035万条公共招聘广告，该数据集涵盖了521家公司对2324种技能的月度招聘需求。我们的数据集独特地使得可以在不同的粒度水平上评估技能需求预测模型，包括职业、公司和地区水平。我们在这个数据集上基准测试了一系列模型，评估它们在标准情景、低价值范围的预测和结构性断点存在的情况下的表现，为进一步的研究提供了新的见解。我们的代码和数据集可以通过https://github.com/Job-SDF/benchmark公开访问。

论文旨在解决技能需求预测中缺乏全面数据集的问题，以提高工作市场的生产力和竞争力。同时，该数据集还可以为个人提供相关培训和教育机会，促进持续自我学习和发展。

该论文提出了一个名为Job-SDF的数据集，基于2021年至2023年中国主要在线招聘平台上收集的1035万条公共招聘广告，涵盖了521家公司对2324种技能的月度招聘需求。该数据集可以在不同层面评估技能需求预测模型的性能，包括职业、公司和地区层面。

该论文的亮点包括提供了一个全面的数据集，可以用于培训和基准测试技能需求预测模型；在标准情况下评估了一系列模型的性能，并在预测低值范围和结构性断点存在的情况下进行了评估；该代码和数据集可以通过GitHub公开访问。

在技能需求预测领域，最近的相关研究包括：1）《A Hybrid Approach for Skill Demand Forecasting Using Text Mining and Time Series Analysis》；2）《Forecasting Skill Demand for the European Labour Market》；3）《Forecasting Skill Demand Using Online Job Advertisements》等。