[论文解读] Making the Cut: A Bandit-based Approach to Tiered Interviewing

Candice Schumann, Zhi Lang+2 more|arXiv (Cornell University)|Jun 1, 2019

Advanced Bandit Algorithms Research被引用 2

一句话总结

本文提出一种基于Bandit的优化分层招聘流程的方法，将顺序简历筛选、电话面试和现场面试建模为随机多臂Bandit中的组合纯探索问题。该文引入新的PAC和固定预算算法，可在理论保证下选择近似最优的候选人团队，在使用美国一所大型计算机科学研究生项目真实数据的模拟中，其表现优于现状方法。

ABSTRACT

Given a huge set of applicants, how should a firm allocate sequential resume screenings, phone interviews, and in-person site visits? In a tiered interview process, later stages (e.g., in-person visits) are more informative, but also more expensive than earlier stages (e.g., resume screenings). Using accepted hiring models and the concept of structured interviews, a best practice in human resources, we cast tiered hiring as a combinatorial pure exploration (CPE) problem in the stochastic multi-armed bandit setting. The goal is to select a subset of arms (in our case, applicants) with some combinatorial structure. We present new algorithms in both the probably approximately correct (PAC) and fixed-budget settings that select a near-optimal cohort with provable guarantees. We show via simulations on real data from one of the largest US-based computer science graduate programs that our algorithms make better hiring decisions or use less budget than the status quo.

研究动机与目标

• 为在大型申请人池中高效分配有限资源于顺序且高成本的招聘阶段提供解决方案。
• 将分层面试流程建模为随机多臂Bandit框架中的组合纯探索（CPE）问题。
• 为在PAC和固定预算设置下选择近似最优申请人子集，开发具有理论保证的新算法。
• 与传统顺序筛选方法相比，提升招聘质量或降低招聘成本。

提出的方法

• 作者将每位申请人建模为随机多臂Bandit设置中的一条臂，其中后续阶段（如现场面试）提供更高信息量但成本更高。
• 将招聘流程框架化为组合纯探索（CPE）问题，目标是识别具有最优集体表现的臂（申请人）子集。
• 为概率近似正确（PAC）和固定预算两种设置提出新算法，确保以高概率识别出近似最优的申请人团队。
• 算法结合了结构化面试原则，并利用信息增益指导各层级间的顺序资源分配。
• 利用Bandit文献中的理论边界，确保样本效率并实现向近似最优选择的收敛。
• 基于美国一所大型计算机科学研究生项目的实际数据进行模拟，评估其相对于基线方法的性能。

实验结果

研究问题

• RQ1 企业如何最优地分配资源于顺序分层面试阶段，以在预算约束下最大化招聘质量？
• RQ2 何种算法框架能够实现申请人池的高效探索，同时最小化成本并保持高选择准确率？
• RQ3 多臂Bandit中的组合纯探索方法是否能在现实招聘场景中优于传统顺序筛选方法？
• RQ4 在分层招聘流程中，选择近似最优申请人团队可提供何种理论保证？

主要发现

• 在使用美国一所大型计算机科学研究生项目真实数据的模拟中，所提算法在招聘决策上优于现状方法。
• 算法在保持或提升选择质量的同时降低了所需预算，展现出成本效率。
• PAC和固定预算两种变体均对识别近似最优申请人团队提供了理论保证。
• 基于Bandit的方法通过根据各层级的信息增益动态分配资源，优于标准顺序筛选方法。
• 模拟结果表明，该方法能有效平衡多阶段招聘中的探索与利用，适用于成本和信息量各异的场景。
• 在Bandit框架中引入结构化面试原则，提升了选拔过程的可靠性和公平性。