论文标题：MDJOSC: matching digital talents and job titles in open source communities

期刊：Frontiers of Computer Science

作者：Xin LIU, Hang SU, Shuo WANG, Xuesong LU, Aoying ZHOU

发表时间：27 Jun 2025

DOI：10.1007/s11704-025-50084-x

微信链接：点击此处阅读微信文章

引用格式：

Xin LIU, Hang SU, Shuo WANG, Xuesong LU, Aoying ZHOU. MDJOSC: matching digital talents and job titles in open source communities. Front. Comput. Sci., 2026, 20(8): 2008614

阅读原文：

问题概述

将开源贡献与就业机会关联是一个有应用价值且有待挖掘的问题。针对该问题，华东师范大学刘鑫、陆雪松、周傲英等人提出一项新任务——“开源社区数字人才与职位匹配（MDJOSC）”。 如图1所示，该研究构建了一个包含五类节点与多种类型边的异构信息网络OSCHIN，通过网络对齐模型增强OSCHIN的连通性，并使用Heterogeneous Graph Transformer对人才与职位进行表示学习，从而进行匹配。

图1 OSCHIN构建

技术步骤

该工作通过半监督网络对齐模型对OSCHIN 中API节点与技能节点进行对齐，从而增强它们之间的连通性（如图2下部所示）。在此基础上，采用共享权重的图神经网络编码器生成节点表示，并引入两种损失函数进行优化：对比损失用于提升表示的区分能力，监督均方误差损失则利用已有的少量API–技能对进行监督学习。随后，在增强后的OSCHIN上，应用异构图Transformer（HGT）对用户与职位进行表示学习（如图 2上部所示），并通过余弦相似度计算用户与职位之间的匹配得分，最终利用二元交叉熵损失进行优化。整个框架以多任务学习方式进行端到端训练。

图2 研究方法的整体框架

实验结果

表1实验结果表明，MDJOSC在各项指标上均显著优于对比方法。在涵盖机器学习类（ML）、推荐系统类（RS）、人岗匹配类（PJF）以及大语言模型类（LLM 0/3-shot）共四类16种对比方法中，MDJOSC在五项评测指标上均取得了最佳表现。

表1 MDJOSC 与对比方法的比较

期刊简介

Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社和北京航空航天大学共同主办，南京大学支持，SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为周志华院士，执行主编为周昆教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐B类期刊；两次入选“中国科技期刊国际影响力提升计划”；入选“第4届中国国际化精品科技期刊”；两次入选“中国科技期刊卓越行动计划”（一期梯队、二期领军）。