[논문 리뷰] Enhancing Person-Job Fit for Talent Recruitment: An Ability-aware Neural Network Approach

Chuan Qin, Hengshu Zhu외 5명|arXiv (Cornell University)|2018. 12. 21.

Topic Modeling참고 문헌 33인용 수 60

한 줄 요약

논문은 APJFNN을 소개한다. 끝에서 끝까지의 신경망으로 단어 수준 표현과 네 가지 능력 인식(attention) 메커니즘을 활용해 구인 공고와 이력서로부터 Person-Job Fit을 측정하고 해석한다.

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.

연구 동기 및 목표

• 정보 폭발 하에 온라인 채용에서 향상된 Person-Job Fit의 필요성에 대한 동기 부여.
• 수동 라벨링을 줄이기 위해 이력 채용 데이터를 활용하는 End-to-end 신경망 프레임워크 제안.
• 구인 요건과 지원자 경험에 대한 단어 수준 의미 표현과 계층적 능력 인식 표현 학습.
• 능력 인식 주의 메커니즘으로 해석 가능한 매칭 결과 제공.
• 실제 대규모 채용 데이터셋에서 기저 baseline보다 우수한 성능 입증.

제안 방법

• 구인 요건과 지원자 경험을 단어 수준 BiLSTM 인코딩으로 표현.
• 구인 공고와 이력서에 대해 계층적 능력 인식 표현 구성.
• 네 가지 계층적 주의 메커니즘을 적용해 핵심 단어와 능력을 강조하고 경험을 요건과 연관지음.
• 완전 연결 예측기를 사용해 공동의 Person-Job Fit 표현을 계산하고 이진 교차 엔트로피로 최적화.
• 과적합을 방지하기 위한 특정 초기화와 드롭아웃을 가진 Adam 옵티마이저를 이용한 트레이닝.
• 실제 데이터셋에서 APJFNN을 전통적 ML 베이스라인과 더 간단한 BPJFNN 베이스라인과 비교.

실험 결과

연구 질문

• RQ1 단어 수준 및 계층적 능력 인식 표현이 Person-Job Fit의 정확도와 해석 가능성을 어떻게 향상시키는가?
• RQ2 엔드 투 엔드 신경망 접근이 전통적인 특징 기반 모델보다 직업 매칭에서 우수한가?
• RQ3 주의 메커니즘이 어떤 능력과 경험이 매칭으로 이어지는지에 대한 의미 있는 설명을 제공하는가?
• RQ4 구인 공고와 이력서 학습에 과거 채용 데이터의 통합이 적합도 학습에 어떤 영향을 미치는가?

주요 결과

• APJFNN은 보고된 실험에서 모든 기준에서 베이스라인보다 우수한 성능을 보인다(정확도, 정밀도, 재현율, F1, 및 AUC).
• 전체 APJFNN 모델이 최상의 지표를 달성하며 AUC 0.8316, 정확도 0.7559로 BPJFNN을 능가한다.
• 주의 메커니즘이 중요한 능력과 경험을 강조함으로써 해석 가능성을 향상시킨다.
• 단어 수준 표현과 계층적 주의가 전통적 특징 기반 모델 대비 상당한 성능 향상을 제공한다.
• BPJFNN은 비주의적 변형보다 향상되지만 여전히 APJFNN보다 뒤처져, 제안된 주의 전략의 가치를 시사한다.