[論文レビュー] Enhancing Person-Job Fit for Talent Recruitment: An Ability-aware Neural Network Approach

Chuan Qin, Hengshu Zhu+5 more|arXiv (Cornell University)|Dec 21, 2018

Topic Modeling参考文献 33被引用数 60

ひとこと要約

本論文は、APJFNNを紹介します。単語レベルの表現と4つの能力認識型アテンション機構を用いて、求人情報と履歴書からのPerson-Job Fitを測定・解釈するエンドツーエンドのニューラルネットワークです。

ABSTRACT

The wide spread use of online recruitment services has led to information explosion in the job market. As a result, the recruiters have to seek the intelligent ways for Person Job Fit, which is the bridge for adapting the right job seekers to the right positions. Existing studies on Person Job Fit have a focus on measuring the matching degree between the talent qualification and the job requirements mainly based on the manual inspection of human resource experts despite of the subjective, incomplete, and inefficient nature of the human judgement. To this end, in this paper, we propose a novel end to end Ability aware Person Job Fit Neural Network model, which has a goal of reducing the dependence on manual labour and can provide better interpretation about the fitting results. The key idea is to exploit the rich information available at abundant historical job application data. Specifically, we propose a word level semantic representation for both job requirements and job seekers' experiences based on Recurrent Neural Network. Along this line, four hierarchical ability aware attention strategies are designed to measure the different importance of job requirements for semantic representation, as well as measuring the different contribution of each job experience to a specific ability requirement. Finally, extensive experiments on a large scale real world data set clearly validate the effectiveness and interpretability of the APJFNN framework compared with several baselines.

研究の動機と目的

• 情報爆発下におけるオンライン採用で、より高精度なPerson-Job Fitの必要性を喚起する。
• 過去の採用データを活用して手動ラベリングを低減するエンドツーエンドのニューラルフレームワークを提案する。
• 求人要件と候補者の経験に対して、単語レベルの意味表現と階層的な能力認識表現を学習する。
• 能力認識型アテンション機構を通じて解釈可能なマッチング結果を提供する。
• 大規模な実世界の採用データセット上で、ベースラインを上回る性能を示す。

提案手法

• 求人要件と候補者の経験を単語レベルのBiLSTMエンコードで表現する。
• 求人情報と履歴書の双方に対して階層的な能力認識表現を構築する。
• 4つの階層型アテンション機構を適用して、重要な語と能力を強調し、経験と要件を関連付ける。
• 全結合予測子を用いて結合されたPerson-Job Fit表現を計算し、二項交差エントロピーで最適化する。
• 過学習を防ぐため、特定の初期化とドロップアウトを伴うAdam最適化器で学習する。
• 実世界のデータセット上で、APJFNNを古典的なMLベースラインおよびより簡易なBPJFNNベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 単語レベルおよび階層的な能力認識表現は、Person-Job Fitの精度と解釈可能性をどう向上させるか？
• RQ2 エンドツーエンドのニューラルアプローチは、従来の特徴量ベースモデルを上回って候補者と職務のマッチングを達成できるか？
• RQ3 アテンション機構は、どの能力や経験がマッチを導くかについて意味のある説明を提供するか？
• RQ4 求人投稿と履歴書の適合を学習する際、過去の採用データを取り込む影響は何か？

主な発見

手法	Accuracy	Precision	Recall	F1	AUC
LR	0.6228	0.6232	0.6261	0.6246	0.6787
AB	0.6905	0.7028	0.6628	0.6822	0.7642
DT	0.6831	0.7492	0.5527	0.6361	0.7355
RF	0.7023	0.7257	0.6526	0.6872	0.7772
GBDT	0.7281	0.7517	0.6831	0.7157	0.8108
LR (with word2vec)	0.6479	0.6586	0.6175	0.6374	0.6946
AB (with word2vec)	0.6342	0.6491	0.5878	0.6170	0.6823
DT (with word2vec)	0.5837	0.5893	0.5589	0.5737	0.6249
RF (with word2vec)	0.6358	0.6551	0.5769	0.6135	0.7020
GBDT (with word2vec)	0.6389	0.6444	0.6237	0.6339	0.7006
BPJFNN	0.7156	0.7541	0.6417	0.6934	0.7818
APJFNN	0.7559	0.7545	0.7603	0.7574	0.8316

• APJFNNは精度、適合率、再現率、 F1、AUCのすべてで全ベースラインを上回る。
• 完全なAPJFNNモデルは最良の指標を達成し、AUCは0.8316、Accuracyは0.7559で、BPJFNNを上回る。
• アテンション機構は、重要な能力と経験を強調することによって解釈性を向上させる。
• 単語レベルの表現と階層的アテンションの組み込みは、従来の特徴量ベースモデルに比べて有意な性能向上をもたらす。
• BPJFNNは非アテンション型の変種より改善するが、依然としてAPJFNNを下回り、提案されたアテンション戦略の価値を示している。