Detección de Publicaciones de Trabajo Falsas

En el ámbito de las plataformas de empleo en línea, el aumento de publicaciones de trabajo fraudulentas representa un desafío significativo, socavando la credibilidad y fiabilidad de estas plataformas. Para abordar este problema, proponemos una solución basada en machine learning que aprovecha el poder de los clasificadores de Random Forest, Regresión Logística y Árboles de Decisión. A través de la compilación de un conjunto de datos integral que contiene publicaciones de trabajo etiquetadas, emprendemos un viaje de preprocesamiento e ingeniería de características para extraer información pertinente de las publicaciones, incluyendo atributos textuales, detalles geográficos, indicaciones salariales y perfiles de empresas. Dividir el conjunto de datos en subconjuntos de entrenamiento y prueba nos permite entrenar y evaluar meticulosamente el rendimiento de cada clasificador, utilizando métricas establecidas como precisión, exactitud, recuperación y F1-score para cuantificar su eficacia en discernir entre listados de trabajo auténticos y falsos. Nuestro estudio va más allá de un simple entrenamiento y evaluación del modelo, adentrándose en las complejidades del manejo de datos desbalanceados y las posibilidades prácticas de despliegue y mantenimiento del modelo. Al examinar las fortalezas y debilidades comparativas de los clasificadores de Random Forest, Regresión Logística y Árboles de Decisión, proporcionamos información práctica para mejorar la integridad de las plataformas de empleo en línea a través de técnicas avanzadas de machine learning. Con nuestro enfoque, buscamos no solo detectar y mitigar la prevalencia de publicaciones de trabajo falsas, sino también fortalecer la confianza y credibilidad de las plataformas de búsqueda de empleo en línea, fomentando así un entorno más seguro y confiable para los solicitantes de empleo y los empleadores por igual.