[논문 리뷰] Learning Effective Representations for Person-Job Fit by Feature Fusion

Junshu Jiang, Songyun Ye외 3명|arXiv (Cornell University)|2020. 06. 12.

Topic Modeling참고 문헌 38인용 수 4

한 줄 요약

이 논문은 인적자원 매칭에서의 사람-직무 적합도를 향상시키기 위해 명시적 표현(예: 교육, 기술 등)과 컨volutional 신경망(CNN) 및 DeepFM을 통한 깊이 있는 텍스트 특징, 그리고 LSTM를 이용한 이력서 제출 이력 데이터로부터의 암묵적 표현을 융합하는 PJFFF라는 특징 융합 방법을 제안한다. 이 모델은 실제 채용 데이터에서 최신 기술 수준의 성능을 달성하며, 엔티티 수준 분석을 통한 설명 가능한 매칭을 가능하게 한다.

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.

연구 동기 및 목표

• 자신감 있는 자유 텍스트 처리에만 의존하고 구조화된 이력서/채용 공고 필드를 忽시하는 기존 사람-직무 적합도 방법의 한계를 해결하기 위해.
• 기존의 정보(예: 기술, 학위 등)와 이력서 제출 이력 데이터로부터의 암묵적 의도(예: 채용자 선호도 등)를 모두 포괄함으로써 매칭 정확도를 향상시키기 위해.
• 매칭 결정을 설명할 수 있는 의미 엔티티를 추출하고 활용함으로써 모델의 설명 가능성 향상하기 위해.
• 대규모 채용 플랫폼에서의 실시간 배포에 적합한 효율적이고 확장 가능한 솔루션 개발하기 위해.

제안 방법

• 자연어 처리 기법을 사용하여 전체 이력서와 채용 공고에서 의미 엔티티(예: 대학, 경력, 기술 등)를 추출하고, 이를 벡터로 임베딩하여 명시적 특징 학습을 수행한다.
• 자유 텍스트 필드(예: 경력, 직무 기술서 등)로부터 깊이 있는 표현을 학습하기 위해 컨volutional 신경망(CNN)을 적용한다.
• 추출된 의미 엔티티 간의 상호작용을 학습하기 위해 DeepFM 모델을 사용하여 고차원 관계를 포착한다.
• 수락/거절된 이력서의 이력서 제출 시퀀스를 단방향 LSTM으로 처리하여 지원자 및 채용자의 암묵적 의도를 모델링한다.
• 명시적 특징(엔티티 및 텍스트에서 유도된 것)과 암묵적 특징(LSTM에서 유도된 것)을 연결하여 종합적인 표현을 형성하고 매칭에 활용한다.
• 지연 시간을 줄이기 위해 CPU 기반 추론, Go 기반 사전 처리, 지식 정복 기법을 활용하여 최종 모델을 온라인 배포에 최적화한다.

실험 결과

연구 질문

• RQ1 구조화된 의미 엔티티와 깊이 있는 텍스트 표현을 융합함으로써 사람-직무 적합도 매칭 성능 향상이 가능할까?
• RQ2 이력서 제출 이력 패턴은 채용 공고나 이력서에 명시되지 않은 채용자 또는 지원자의 선호도를 어느 정도 드러내는가?
• RQ3 명시적 표현과 암묵적 표현의 융합이 매칭 정확도와 설명 가능성 향상에 얼마나 효과적인가?
• RQ4 제안된 방법은 실시간 대규모 배포에 적합한 효율성과 확장성을 유지하면서도 높은 성능을 달성할 수 있는가?

주요 결과

• 제안된 PJFFF 모델은 실제 채용 데이터 10개월 분량에서 기존 방법보다 크게 앞서는 성능을 보이며 뛰어난 매칭 정확도를 입증한다.
• 제거 실험을 통해 의미 엔티티, 텍스트 특징, 암묵적 의도 모델링 각 요소가 최종 성능에 긍정적인 기여를 한다는 것이 확인되었다.
• 의미 엔티티의 포함 여부가 모델 성능에 상당한 영향을 미치며, 텍스트만 사용하는 모델와 텍스트 및 엔티티를 모두 사용하는 모델 간의 비교에서 뚜렷한 성능 향상이 관찰되었다.
• 이력서 제출 이력의 LSTM 기반 모델링은 암묵적 의도를 포착하여, 이러한 데이터를 忽시하는 모델 대비 측정 가능한 성능 향상을 이끌어냈다.
• 추출된 의미 엔티티 덕분에 모델의 설명 가능성은 향상되었으며, 특정 지원자가 왜 높거나 낮게 평가되었는지 명확히 설명할 수 있었다.
• 최종 모델는 최적화 후 1건당 추론 시간이 0.2~0.3초 이내로 유지되어 대규모 온라인 배포에 적합하다.