[논문 리뷰] Person-Job Fit: Adapting the Right Talent for the Right Job with Joint Representation Learning

Chen Zhu, Hengshu Zhu외 5명|arXiv (Cornell University)|2018. 10. 08.

Scheduling and Timetabling Solutions참고 문헌 5인용 수 24

한 줄 요약

이 논문은 인재-직무 적합도를 예측하기 위해 직무 요구사항과 지원자 이력서의 공동 표현을 학습하는 CNN 기반 엔드 투 엔드 모델인 Person-Job Fit Neural Network(PJFNN)을 제안한다. 직무 및 이력서 구성 요소를 계층적으로 모델링함으로써 특정 요구사항과 경험 항목 간의 유사도를 측정함으로써 설명 가능한 매칭을 가능하게 하여, 높은 예측 정확도를 보이며 대규모 실세계 데이터셋에서 채용 효율성을 크게 향상시킨다.

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.

연구 동기 및 목표

• 인재 역량과 직무 요구사항 간의 정량적 측정 방법 부족 문제를 해결하기 위해.
• 직무 공고 및 지원자 이력서의 공동 표현을 학습하는 엔드 투 엔드 데이터 기반 모델을 개발하기 위해.
• 지원자의 경력 경험에서 특정 직무 요구사항이 어떻게 충족되는지 식별함으로써 설명 가능한 매칭을 가능하게 하기 위해.
• 인재-직무 적합도 평가를 자동화하고 정량화함으로써 채용 효율성을 향상시키기 위해.
• 인재 및 직무 벤치마크의 데이터 시각화를 통해 실질적인 통찰을 제공하기 위해.

제안 방법

• PJFNN는 이중 신경망으로, 계층적 표현 구조를 사용하여 직무 공고와 지원자 이력서를 공통 잠재 공간에 함께 임bedding한다.
• 모델은 컨volutional 신경망(CNNs)을 사용하여 직무 요구사항 항목과 경력 경험 항목을 조밀한 벡터 표현으로 인코딩한다.
• 직무 요구사항과 지원자 경험의 대응 잠재 표현 간의 유사도는 코사인 거리 측정을 통해 구성 요소 수준의 적합도를 평가한다.
• 이 아키텍처는 이력서 지원 기록을 기반으로 엔드 투 엔드 학습이 가능하여 전체 인재-직무 적합도 예측 최적화를 지원한다.
• 각 직무 요구사항과 경력 경험은 별도로 임베딩되고 개별적으로 비교되므로 세밀한 해석 가능성을 확보한다.
• 모델은 일치하는 요구사항-경험 쌍 간의 유사도를 최대화하고, 일치하지 않는 쌍 간의 유사도를 최소화하도록 학습된다.

실험 결과

연구 질문

• RQ1 기존의 이력서 지원 기록만을 사용하는 딥러닝 모델이 인재-직무 적합도를 효과적으로 예측할 수 있는가?
• RQ2 모델이 지원자의 경력 경험에서 특정 직무 요구사항이 충족되는지를 어느 정도 정확하게 식별할 수 있는가?
• RQ3 전통적인 특징 기반 또는 임베딩 전용 방법과 비교해 볼 때, 공동 표현 학습 접근법은 인재-직무 적합도 예측에서 어떤 성능을 보이는가?
• RQ4 시각화된 유사도 점수를 통해 모델이 매칭 과정에 대한 설명 가능한 통찰을 제공할 수 있는가?
• RQ5 실세계 채용 데이터에서 학습된 표현에서 어떤 기준 인재 및 직무 패턴이 도출되는가?

주요 결과

• PJFNN는 대규모 실세계 데이터셋에서 높은 예측 성능을 달성하여 기준 모델 대비 인재-직무 적합도 예측에서 뚜렷한 승리를 거두었다.
• 모델은 특정 요구사항-경험 매칭을 성공적으로 식별하였으며, 0.99779(강한 매칭)에서 0.00053(매칭 없음)까지 변동하는 유사도 점수를 제공하여 세밀한 설명 가능성을 입증하였다.
• 요구사항 #1(C/C++ 개발)에 대해, 관련 이력서에는 0.99779의 유사도를 할당하여 직무 요구사항과 강력한 일치를 나타내었다.
• 요구사항 #2(제품 스케줄링 및 개발)에 대해, 관련 지원자에게는 0.86092의 유사도를 할당하여 높은 신뢰도의 매칭을 보였다.
• 요구사항 #3(학사 학위 이상)에 대해, 관련 이력서에는 0.57259의 유사도를 할당하여 부분적인 일치를 나타내었으며, 낮은 점수(예: 0.05386)는 일치하지 않는 프로필을 반영하였다.
• 학습된 표현의 시각화 결과는 잠재 공간 내에서 유사한 역할과 역량이 군집화되는 등 의미 있는 인재 및 직무 기준을 드러내었다.