Verbesserung der Person-Job-Anpassung für die Talentakquise

Die weit verbreitete Nutzung von Online-Rekrutierungsdiensten hat zu einer Informationsflut auf dem Arbeitsmarkt geführt. Infolgedessen müssen die Recruiter intelligente Wege zur Person-Job-Anpassung suchen, die die Brücke bildet, um die richtigen Arbeitssuchenden mit den geeigneten Positionen zu verbinden. Bestehende Studien zur Person-Job-Anpassung konzentrieren sich darauf, den Grad der Übereinstimmung zwischen den Qualifikationen der Talente und den Anforderungen der Stelle zu messen, hauptsächlich basierend auf der manuellen Prüfung durch Personalexperten, trotz der subjektiven, unvollständigen und ineffizienten Natur menschlicher Urteile. Zu diesem Zweck schlagen wir in diesem Papier ein neuartiges End-to-End Modell eines Fähigkeitsbewussten Person-Job-Anpassungs-Neuronalen Netzwerks (APJFNN) vor, dessen Ziel es ist, die Abhängigkeit von manueller Arbeit zu reduzieren und eine bessere Interpretation der Anpassungsergebnisse zu bieten. Die zentrale Idee besteht darin, die reichhaltigen Informationen zu nutzen, die in den umfangreichen historischen Bewerberdaten vorhanden sind. Konkret schlagen wir eine wortbasierte semantische Darstellung sowohl für die Anforderungen an die Stellen als auch für die Erfahrungen der Arbeitssuchenden auf Basis eines rekursiven Neuronalen Netzwerks (RNN) vor. In diesem Zusammenhang wurden vier hierarchische, fähigkeitsbewusste Aufmerksamkeitsstrategien entworfen, um die unterschiedliche Wichtigkeit der Anforderungen an die Stellen für die semantische Darstellung zu messen, sowie den unterschiedlichen Beitrag jeder Berufserfahrung zu einer spezifischen Fähigkeitsanforderung zu bewerten. Schließlich validieren umfangreiche Experimente an einem großangelegten realen Datensatz deutlich die Effektivität und Interpretierbarkeit des APJFNN-Rahmens im Vergleich zu mehreren Basislinien.