[論文レビュー] Person-Job Fit: Adapting the Right Talent for the Right Job with Joint Representation Learning

Chen Zhu, Hengshu Zhu+5 more|arXiv (Cornell University)|Oct 8, 2018

Scheduling and Timetabling Solutions参考文献 5被引用数 24

ひとこと要約

本稿では、求人要件と候補者の履歴書の共同表現を学習するエンドツーエンドのCNNベースのモデル、Person-Job Fit Neural Network (PJFNN) を提案する。階層的な両方のコンponents（求人および履歴書）のモデリングにより、特定の要件項目と経験項目間の類似度を測定することで、説明可能なマッチングを実現し、大規模な実世界データセットにおいて予測精度が高く、採用効率を顕著に向上させる。

ABSTRACT

Person-Job Fit is the process of matching the right talent for the right job by identifying talent competencies that are required for the job. While many qualitative efforts have been made in related fields, it still lacks of quantitative ways of measuring talent competencies as well as the job's talent requirements. To this end, in this paper, we propose a novel end-to-end data-driven model based on Convolutional Neural Network (CNN), namely Person-Job Fit Neural Network (PJFNN), for matching a talent qualification to the requirements of a job. To be specific, PJFNN is a bipartite neural network which can effectively learn the joint representation of Person-Job fitness from historical job applications. In particular, due to the design of a hierarchical representation structure, PJFNN can not only estimate whether a candidate fits a job, but also identify which specific requirement items in the job posting are satisfied by the candidate by measuring the distances between corresponding latent representations. Finally, the extensive experiments on a large-scale real-world dataset clearly validate the performance of PJFNN in terms of Person-Job Fit prediction. Also, we provide effective data visualization to show some job and talent benchmark insights obtained by PJFNN.

研究の動機と目的

• 人材の能力と職務要件の間の定量的測定法の欠如を解消すること。
• 求人要件と候補者の履歴書の両方の共同表現を学習するエンドツーエンドのデータ駆動型モデルの開発。
• 候補者の職務経験が特定の求人要件をどの程度満たしているかを特定することで、説明可能なマッチングを可能にすること。
• 人材-職務適合性の評価を自動化・定量化することで、採用プロセスの効率を向上させること。
• 人材および職務のベンチマークを可視化することで、実行可能なインサイトを提供すること。

提案手法

• PJFNNは、階層的表現構造を用いて、求人要件と候補者の履歴書を共有の潜在空間に同時に埋め込む二部構造のニューラルネットワークである。
• モデルは畳み込みニューラルネットワーク（CNNs）を用いて、求人要件項目および職務経験項目を密なベクトル表現に符号化する。
• 求人要件と候補者の経験の対応する潜在表現間の類似度は、コサイン距離を用いて測定され、コンponentレベルでの適合度を評価する。
• このアーキテクチャにより、過去の求職応募データを用いたエンドツーエンド学習が可能となり、総合的な人材-職務適合性予測を最適化できる。
• 各求人要件および職務経験は別々に埋め込まれ、個別に比較されるため、細かく分解された解釈可能性が可能である。
• モデルは、一致する要件-経験ペア間の類似度を最大化し、不一致ペアの類似度を最小化するように学習される。

実験結果

リサーチクエスチョン

• RQ1 歴史的求職応募データのみを用いて、深層学習モデルが人材-職務適合性を効果的に予測できるか。
• RQ2 モデルが、候補者の職務経験が特定の求人要件をどの程度満たしているかをどの程度正確に同定できるか。
• RQ3 従来の特徴ベースまたは埋め込みのみの手法と比較して、共同表現学習アプローチは人材-職務適合性予測においてどのように優れているか。
• RQ4 可視化された類似度スコアを通じて、モデルがマッチングプロセスの説明可能なインサイトを提供できるか。
• RQ5 実世界の採用データから学習された表現から、どのような人材および職務のパターンが明らかになるか。

主な発見

• PJFNNは大規模な実世界データセットで高い予測性能を達成し、人材-職務適合性予測においてベースライン手法を顕著に上回った。
• モデルは特定の要件-経験マッチを効果的に同定でき、類似度スコアは0.99779（強い一致）から0.00053（一致なし）の範囲にわたり、細かく分解された解釈可能性を示した。
• 要件#1（C/C++開発）に対して、関連する履歴書には類似度0.99779が割り当てられ、求人要件と強く一致していることを示した。
• 要件#2（プロダクトスケジューリングおよび開発）に対して、関連する候補者には類似度0.86092が割り当てられ、マッチの信頼性が非常に高いことを示した。
• 要件#3（学士号以上）に対して、関連する履歴書には類似度0.57259が割り当てられ、部分的な一致を示した一方、低いスコア（例：0.05386）は不一致のプロファイルを反映していた。
• 学習済み表現の可視化により、潜在空間内に類似した役割や能力がクラスタリングされるなど、意味のある人材および職務ベンチマークが明らかになった。