Neues Multi-View Graph Convolution Network verbessert interne Talentempfehlungen

Ein innovatives Modell aus der Forschung der Universität Zürich nutzt E‑Mail-Daten, um die Eignung von Mitarbeitern für neue Positionen genauer zu bestimmen. Dabei werden zwei unterschiedliche Perspektiven berücksichtigt: Was die Mitarbeiter tun (semantische Ähnlichkeit ihrer Aufgaben) und wie sie arbeiten (Struktur ihrer Interaktionen und Kooperationen). Diese beiden Dimensionen werden als separate Graphen dargestellt und anschließend mithilfe eines Dual Graph Convolutional Networks mit einem Gating‑Mechanismus kombiniert.

Die Experimente zeigen, dass das neue Gating‑basierte Fusionsmodell die bisherigen Ansätze deutlich übertrifft. Mit einer Hit@100‑Rate von 40,9 % erzielt es die höchste Leistung aller getesteten Methoden und übertrifft sogar heuristische Baselines. Besonders hervorzuheben ist die hohe Interpretierbarkeit des Modells, das für unterschiedliche Berufsgruppen unterschiedliche Fusionsstrategien lernt.

So priorisiert das System beispielsweise bei Vertriebs- und Marketing‑Positionen stärker die relationalen Daten („wie“), während es bei Forschungs‑Positionen einen ausgewogeneren Ansatz verfolgt. Diese Fähigkeit, den optimalen Anteil von Aufgaben‑ und Kollaborationsdaten empirisch zu bestimmen, reduziert das Risiko, qualifizierte Kandidaten zu übersehen – ein häufiges Problem bei herkömmlichen Talentempfehlungen.

Die Studie liefert damit einen quantitativen, umfassenden Rahmen für die interne Talententdeckung und zeigt, wie moderne Graph‑Verarbeitungstechniken die Personalentwicklung in Unternehmen nachhaltig verbessern können.