[论文解读] Person-Job Fit: Adapting the Right Talent for the Right Job with Joint Representation Learning

Chen Zhu, Hengshu Zhu+5 more|arXiv (Cornell University)|Oct 8, 2018

Scheduling and Timetabling Solutions参考文献 5被引用 24

一句话总结

本文提出Person-Job Fit Neural Network（PJFNN），一种基于CNN的端到端模型，通过学习职位要求与候选人简历之间的联合表征来预测人岗匹配度。通过分层建模职位与简历的各个组成部分，PJFNN能够通过测量特定要求与经历项目之间的相似性，实现可解释的匹配，显著提升了在大规模真实世界数据集上的招聘效率，且预测准确度高。

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.

研究动机与目标

• 为解决人岗匹配中人才能力与职位要求量化评估方法的缺乏问题。
• 开发一种端到端的数据驱动模型，学习职位发布与候选人简历之间的联合表征。
• 通过识别候选人的工作经验满足哪些具体职位要求，实现可解释的匹配。
• 通过自动化和量化人岗匹配评估，提升招聘效率。
• 通过人才与职位基准的数据可视化，提供可操作的洞察。

提出的方法

• PJFNN是一种双部神经网络，通过分层表征结构，将职位发布与候选人简历联合嵌入到共享潜在空间中。
• 该模型使用卷积神经网络（CNN）将职位要求项与工作经历项编码为密集向量表征。
• 通过余弦距离度量职位要求与候选人经历在潜在表征上的相似性，以评估组件层面的匹配度。
• 该架构支持在历史职位申请数据上进行端到端训练，以优化整体人岗匹配预测性能。
• 每个职位要求与工作经历均独立嵌入并逐一对比，实现细粒度可解释性。
• 模型被训练以最大化匹配要求-经历对之间的相似性，同时最小化不匹配对之间的相似性。

实验结果

研究问题

• RQ1 仅使用历史职位申请数据，深度学习模型能否有效预测人岗匹配？
• RQ2 该模型在多大程度上能够识别出候选人的工作经验满足哪些具体职位要求？
• RQ3 与传统基于特征的方法或仅使用嵌入的方法相比，联合表征学习方法在预测人岗匹配方面表现如何？
• RQ4 该模型能否通过可视化相似度分数，提供对匹配过程的可解释洞察？
• RQ5 从真实世界招聘数据中学习到的表征里，会涌现出哪些人才与职位的基准模式？

主要发现

• PJFNN在大规模真实世界数据集上实现了高预测性能，显著优于基线方法的人岗匹配预测效果。
• 该模型成功识别出具体的要求-经历匹配，相似度分数范围从0.99779（强匹配）到0.00053（无匹配），展现出细粒度可解释性。
• 对于要求#1（C/C++开发），模型为相关简历分配0.99779的相似度，表明与职位要求高度一致。
• 对于要求#2（产品排期与开发），模型为相关候选人分配0.86092的相似度，表明匹配具有高度置信度。
• 对于要求#3（本科及以上学历），模型为相关简历分配0.57259的相似度，表明存在部分一致性；而较低分数（如0.05386）则反映不匹配的个人资料。
• 对学习到的表征进行可视化，揭示了有意义的人才与职位基准，例如在潜在空间中相似角色与能力的聚类。