[论文解读] Enhancing Person-Job Fit for Talent Recruitment: An Ability-aware Neural Network Approach

Chuan Qin, Hengshu Zhu+5 more|arXiv (Cornell University)|Dec 21, 2018

Topic Modeling参考文献 33被引用 60

一句话总结

本论文提出 APJFNN，一种端到端的神经网络，使用逐词级表示和四种能力感知注意机制，从职位信息和简历中衡量并解释人岗匹配（Person-Job Fit）。

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.

研究动机与目标

• 在信息爆炸的情况下，在线招聘中需要改进的人岗匹配的动机。
• 提出一个端到端神经框架，利用历史招聘数据以减少人工标注。
• 学习逐词语义表示和分层能力感知表示，用于职位要求和候选人经历。
• 通过能力感知注意机制提供可解释的匹配结果。
• 在一个大型真实世界招聘数据集上展示相对于基线的卓越性能。

提出的方法

• 用逐词 BiLSTM 编码表示职位需求和候选人经历。
• 为职位发布和简历构建分层的能力感知表示。
• 应用四种分层注意机制，以突出关键字和能力，并将经历与要求相关联。
• 使用全连接预测器计算联合的人岗匹配表示，并以二元交叉熵进行优化。
• 使用 Adam 优化器进行训练，设定特定初始化和 dropout 以防过拟合。
• 在真实世界数据集上，将 APJFNN 与经典 ML 基线以及一个更简单的 BPJFNN 基线进行比较。

实验结果

研究问题

• RQ1 逐词级和分层能力感知表示如何提升人岗匹配的准确性与可解释性？
• RQ2 端到端神经方法能否在岗位与候选人匹配方面超越传统基于特征的模型？
• RQ3 注意机制是否为驱动匹配的哪些能力和经历提供有意义的解释？
• RQ4 将历史招聘数据引入学习职位信息与简历之间的匹配，对结果有何影响？

主要发现

• APJFNN 在准确性、精确度、召回率、F1 和 AUC 的表现上超过所有基线。
• 完整的 APJFNN 模型达到最佳指标，AUC 为 0.8316，准确率为 0.7559，超越 BPJFNN。
• 注意机制通过突出关键能力和经历改善了可解释性。
• 引入逐词表示和分层注意力相对于传统基于特征的模型带来显著性能提升。
• BPJFNN 在非注意变体上有所提升，但仍不及 APJFNN，显示所提出注意策略的价值。