[論文レビュー] An AI based talent acquisition and benchmarking for job

Rudresh Mishra, Ricardo Morales-Rodríguez+1 more|arXiv (Cornell University)|Aug 12, 2020

Graph Theory and Algorithms参考文献 12被引用数 8

ひとこと要約

本論文は、自然言語処理と機械学習を用いたスキルグラフマッチングにより、履歴書を求人票に対してランク付けするAI駆動型人材獲得システムを提案する。特にコンピュータサイエンス分野の役職に焦点を当て、分野固有のスキル、一般的なスキル、文化的適合性を重み付きマッチングスコアに統合することで、多様な職種において一貫した候補者ランク付けを実現し、採用の効率性を向上させるとともにバイアスを低減することを示している。

ABSTRACT

In a recruitment industry, selecting a best CV from a particular job post within a pile of thousand CV's is quite challenging. Finding a perfect candidate for an organization who can be fit to work within organizational culture is a difficult task. In order to help the recruiters to fill these gaps we leverage the help of AI. We propose a methodology to solve these problems by matching the skill graph generated from CV and Job Post. In this report our approach is to perform the business understanding in order to justify why such problems arise and how we intend to solve these problems using natural language processing and machine learning techniques. We limit our project only to solve the problem in the domain of the computer science industry.

研究の動機と目的

• コンピュータサイエンス業界において、1件の求人票に対して数千通の履歴書を手動でスクリーニングする課題に対処すること。
• スキル、分野専門知識、組織文化に基づいて候補者を役職に自動かつスケーラブルにマッチングするソリューションを開発すること。
• AI駆動の候補者スコアリングとランク付けを活用して、採用者のバイアスと採用までの時間を低減すること。
• スキル、分野、文化マッチングの異なる次元に調整可能な重みを適用した場合の候補者選考結果への影響を評価すること。
• 過去に採用された社員の履歴書を、AIベースのマッチングにおける組織的文化価値の代理指標として使用できるかを検討すること。

提案手法

• 自然言語処理技術を用いて、履歴書と求人票の両方からスキルグラフを構築し、関連するスキルを抽出・埋め込み処理する。
• 語彙埋め込み（例：word2vec）を適用して、スキルと求人要件間の意味的類似性をモデル化する。
• 分野固有のスキル、一般的なスキル、文化的適合性を統合した多次元マッチングフレームワークを実装する。
• 設定可能な優先順位を持つ重み付きスコアリングを用いて、各履歴書-求人ペアのマッチングランク（MR）値を計算する。
• 実世界の履歴書と求人票を用いてモデルを訓練および検証し、組織の優先順位を反映させるために重みを調整する。
• 専門家による評価とオントロジーに基づくマッチングを活用して、スキルの整合性を向上させ、曖昧さを低減する。

実験結果

リサーチクエスチョン

• RQ1 AIは、技術的スキル、分野専門知識、文化的適合性のバランスを考慮して、どのように効果的に履歴書と求人票をマッチングできるか？
• RQ2 スキル、分野、文化マッチングの異なる次元に調整可能な重みを適用した場合、候補者のランク付け結果にどの程度の影響を与えるか？
• RQ3 過去に採用された社員の履歴書は、AIベースのマッチングにおいて組織的文化価値の信頼できる代理指標として機能するか？
• RQ4 本提案システムは、手動スクリーニングと比較して、スピード、一貫性、公平性の観点でどの程度優れているか？
• RQ5 語彙埋め込みと意味的類似性は、スキルマッチングの正確性を向上させるために果たす役割は何か？

主な発見

• デフォルトの重み設定下で、技術系の求人票に対して、CV3、CV4、CV5が上位候補者として一貫してランク付けされ、MRスコアはそれぞれ0.743、0.741、0.740を記録した。
• ビジネス指向の役職に対しては、CV1とCV2が最も高いランクに位置づけられ、重みの調整によりモデルが異なる職種のプロファイルに適応できることを示した。
• 重みの調整（例：分野およびスキルの優先度を3に増加）により、全履歴書でMRスコアが約0.03～0.04上昇したが、ランク順序は変化しなかった。
• モデルは重みの変動に対しても一貫性を保ち、複数のテストシナリオにおいて候補者の順序を安定して維持した。
• word2vec埋め込みの導入により、正確なキーワード一致を超えた意味的理解が向上し、より良いマッチングが可能になった。
• 歴史的採用データに基づく文化的適合性の推定は有望ではあったが、トレーニングデータに組織的文化データが不足していたため、限界が見られた。