ResJobFit – наскрізна технологія на основі штучних нейронних мереж для підбору вакансій та резюме

Анотація

Зі зростанням популярності онлайн-рекрутингу все більшого значення набуває якісний підбір кандидатів на вакансії.
Через різний досвід, вимоги до освіти та спеціалізації, а також вимоги щодо місцезнаходження, зазначені в оголошенні про
вакансію, для якісного зіставлення та ранжування кандидатів необхідно враховувати різні аспекти. Було показано, що до
зіставлення резюме та вакансій можна підходити як до проблеми класифікації пар, а також як до пошуку семантичної
схожості на основі представлень даних. У той час як класифікаційні підходи обробляють кожну пару вакансія-резюме
послідовно, що призводить до квадратичної часової складності, незалежні текстові представлення та ранжування є набагато
ефективнішим та масштабованим рішенням, оскільки мають лінійну часову складність. У цій статті використано
ранжування за семантичною схожістю для оцінювання кандидатів на відповідність вакансіям. Запропоновано ResJobFit -
наскрізну технологію на основі штучних нейронних мереж для зіставлення вакансій та резюме. Технологія ResJobFit
складається з моделей сегментації, парсингу, сумаризації та модулю представлення текстів в домені управління персоналом,
а також їхніх результатів (вектор та атрибути, що визначають кожне резюме або оголошення про роботу) і векторної бази
даних, в якій зберігаються записи. Впроваджено некероване навчання текстових представлень для HR-домену, що
інкапсулює дві нові навчальні задачі - внутрішньо- та міжсекційне контрастне вирівнювання. Попередньо навчену BERTмодель адаптовано шляхом навчання її узгоджувати розділи резюме, що містять резюме (summary) частину з останнім
місцем роботи, а також частини тієї ж самої вакансії або розділу про роботу. В якості базових моделей були використані
TFIDF, BERT, E5 та GTE. Запропоновану стратегію навчання без нагляду порівнювали з підходами SimCSE, DeCLUTR та
ConFit. Як метрики для вимірювання точності розробленого алгоритму використано NDCG, MAP та MRR. Показано, що
нова мета навчання дозволяє досягти значного покращення порівняно з іншими підходами до навчання без нагляду.
Покращення на 11% в NDCG було досягнуто завдяки адаптації стратегії навчання DeCLUTR для HR-домену на основі
використання структури резюме порівняно з класичною стратегією навчання DeCLUTR в задачі ранжування згенерованими
великою мовною моделлю резюме (summary) вакансій та резюме. 2 % та 6 % покращення було досягнуто в задачі
ранжування повнтекстових вакансій та резюме завдяки використанню ResJobFit технології та ResJobFit з узгодженням
вимог у порівнянні з найсучаснішою моделлю ConFit.