A Fair Multi-stakeholder Job Market Recommender Leveraging Personality

Die Diplomarbeit präsentiert eine Methode, die eine verbesserte Modellierung von Berufspräferenzen in der Empfehlung von Berufen mit Hilfe psychologischer Merkmale ermöglicht. Es werden 11 short-text clustering-Methoden miteinander verglichen, um Freitext-Job-Titel von Lebensläufen in Berufsrollen zu aggregieren, um beispielsweise Java Developer und Java Engineer zu gruppieren. Basierend darauf wird das Modell "Topic Modelling based on Keywords and Context" von Schneider et al. (2018) ausgewählt und auf Lebensläufe von 200.000 LinkedIn-Benutzer angewendet, die Berufswechsel und Fähigkeiten beeinhalten. Mit diesem Datensatz wird ein Deep-Learning-Modell erzeugt, dass die Empfehlung von beruflichen Stellen und Fähigkeiten basierend auf vorherigen beruflichen Stellen und Fähigkeiten und beruflichen Stellen auf Basis von psychologischen Merkmalen zu empfehlen. Die Ergebnisse zeigen eine Verbesserung der Empfehlung von Stellen anhand von vorherigen Stellen und Fähigkeiten des Datensatzes (Hit@10: +5.5%, mRR: +1.9%) und der Fähigkeiten (Hit@10: +5.5%, mRR: +1.9%) verglichen mit den Embeddings eines Referenzmodells. Allein auf Basis von psychologischen Merkmalen kann eine Hit@10-Rate von 34.3% und mRR-Rate von 22.3% erreicht werden. Zusätzlich wird ein Fairness-Algorithmus zur Verfügung gestellt, der es erlaubt die Exposure-Fairness von anbieterseitigen Attributen gierig zu optimieren, während die Performance erhalten bleibt. Dies erlaubt es die Existenz mehrere Interessenträger anzuerkennen.