[論文レビュー] Learning Effective Representations for Person-Job Fit by Feature Fusion

Junshu Jiang, Songyun Ye+3 more|arXiv (Cornell University)|Jun 12, 2020

Topic Modeling参考文献 38被引用数 4

ひとこと要約

本稿では、人物-職務適合性のための特徴融合手法PJFFFを提案する。この手法は、教育・スキルなどの意味的エンティティ（明示的表現）と、CNNおよびDeepFMを用いた深層テキスト特徴（暗黙的表現）を統合し、履歴応募データからのLSTMを用いた暗黙の表現を組み合わせる。実世界の採用データ上で最先端の性能を達成し、既存手法と顕著な差を示し、エンティティレベルの分析による解釈可能性を実現する。

ABSTRACT

Person-job fit is to match candidates and job posts on online recruitment platforms using machine learning algorithms. The effectiveness of matching algorithms heavily depends on the learned representations for the candidates and job posts. In this paper, we propose to learn comprehensive and effective representations of the candidates and job posts via feature fusion. First, in addition to applying deep learning models for processing the free text in resumes and job posts, which is adopted by existing methods, we extract semantic entities from the whole resume (and job post) and then learn features for them. By fusing the features from the free text and the entities, we get a comprehensive representation for the information explicitly stated in the resume and job post. Second, however, some information of a candidate or a job may not be explicitly captured in the resume or job post. Nonetheless, the historical applications including accepted and rejected cases can reveal some implicit intentions of the candidates or recruiters. Therefore, we propose to learn the representations of implicit intentions by processing the historical applications using LSTM. Last, by fusing the representations for the explicit and implicit intentions, we get a more comprehensive and effective representation for person-job fit. Experiments over 10 months real data show that our solution outperforms existing methods with a large margin. Ablation studies confirm the contribution of each component of the fused representation. The extracted semantic entities help interpret the matching results during the case study.

研究の動機と目的

• 自由テキスト処理に依存する既存の人物-職務適合性手法が、構造化されたレジュメ／求人投稿フィールドを無視するという限界を是正すること。
• 履歴応募データから抽出した明示的情報（例：スキル、学位）と暗黙の意図（例：採用担当者の好み）を捉えることで、マッチング精度を向上させること。
• マッチング意思決定を説明可能な意味的エンティティを抽出・利用することで、モデルの解釈性を向上させること。
• 大規模な採用プラットフォームにおける実世界の展開に適した、効率的かつスケーラブルなソリューションを開発すること。

提案手法

• 自然言語処理技術を用いて、完全なレジュメおよび求人投稿から意味的エンティティ（例：大学、職務経験、スキル）を抽出し、ベクトルに埋め込むことで明示的特徴学習を実施する。
• 畳み込みニューラルネットワーク（CNN）を用いて、自由テキストフィールド（例：職務経験、求人要約）からの深層表現を学習する。
• 抽出された意味的エンティティ間の特徴相互作用を学習するため、DeepFMモデルを用いることで高次元の関係性を捉える。
• 受諾／却下されたレジュメの履歴応募シーケンスを一方向LSTMで処理し、候補者および採用担当者の暗黙の意図をモデル化する。
• 明示的特徴（エンティティおよびテキストから得られるもの）と暗黙的特徴（LSTMから得られるもの）を連結することで、マッチング用の包括的表現を構築する。
• 推論遅延を低減するため、CPUベースの推論、Go言語による事前処理、知識蒸留技術を用いて最終モデルを最適化し、オンライン展開を実現する。

実験結果

リサーチクエスチョン

• RQ1 構造化された意味的エンティティと深層テキスト表現を統合することで、人物-職務適合性マッチングの性能が向上するか？
• RQ2 履歴応募パターンは、求人要約やレジュメに明記されていない採用担当者または候補者の好みをどの程度明らかにするか？
• RQ3 明示的表現と暗黙的表現の統合は、マッチング精度と解釈可能性の向上にどの程度有効か？
• RQ4 提案手法は、実世界の展開に耐える高パフォーマンスを維持しながら、効率的かつスケーラブルに実現できるか？

主な発見

• 実世界の採用データ10か月分において、提案されたPJFFFモデルは既存手法を大きく上回り、優れたマッチング精度を示した。
• アブレーションスタディにより、意味的エンティティ、テキスト特徴、暗黙の意図モデリングの各コンポonentが最終性能に正の寄与をしていることが確認された。
• 意味的エンティティの導入が、テキストのみを用いたモデルと比較して、モデル性能を顕著に向上させた。
• 履歴応募データのLSTMベースのモデリングにより、暗黙の意図が捉えられ、そのデータを無視するモデルと比較して性能向上が明確に得られた。
• 抽出された意味的エンティティのおかげで、モデルの解釈性が向上し、特定の候補者がなぜ高い順位付けられているか、あるいは低い順位付けられているかを明確に説明できるようになった。
• 最適化後、1サンプルあたりの推論時間が0.2〜0.3秒にまで短縮され、大規模なオンライン展開に適した性能を達成した。