Baidu teams papir beskriver deres neurale nettilgang til at matche jobåbninger med kandidater

Man kan sige, at software produkttyper, der rejser med supersonisk hastighed til forbrugernes bankende hjerter, ville være nødt til at placere websteder til dating, prisreducerede salgsalarmer og job langt oppe i toppen. Sidstnævnte har en ny ven i Baidu.

Kan en ledig stilling besættes af den rette kandidat takket være en maskine, eller skal jobsøgende vurderes af et menneske?

Du har højst sandsynligt også mødt hende mindst én gang i dine jobsøgningsoplevelser. Hun er den menneskelige ressourceprofessionel, der var særlig god til jobbet. Hun scannede dit CV, linje for linje, men læs også mellem linjerne.

Hun stillede spørgsmål, der var relevante for jobåbningen. Hun vidste, at hvis du nævnte en slags færdighed eller værktøj, ville du sandsynligvis ikke have svært ved at bruge en anden færdighed eller værktøj, de skulle introducere.

Wow. Kunne en maskine gøre hendes arbejde? Godt, Måske skulle spørgsmålet hellere være, kan software hjælpe hende med at træffe beslutninger for kandidater, der sparer hende tid, og ramte målet?

Vi vil helt sikkert vide mere, efterhånden som forskere arbejder med jobmatching-teknologi til adskillige online rekrutteringstjenester. Faktisk, der er dem, der vil hævde, at det er det menneskelige element, der er mere udsat for at bage i bias og subjektiv tænkning i stedet for klart at vurdere kandidaten til at matche jobbets behov.

I nyhederne er et neuralt net til at matche CV'er til beskrivelser i opslag af jobåbninger. Baidu tester for at se, om deres tilgang effektivt kan matche jobsøgende til job. MIT Technology Review 'The Download' tjekkede Baidu-holdenes papir, hvor de præsenterede deres neurale net, der kan fungere, fra CV'er, den person, der skal stille op til kandidatur i henhold til de kompetencer, som arbejdsgiverne søger.

"Person-Job Fit:Adapting the Right Talent for the Right Job with Joint Representation Learning" er det papir, som forskerne skrev for at beskrive deres arbejde. Person-Job Fit kunne være en vej til at tilpasse de rigtige jobsøgende til de rigtige stillinger.

Ved at diskutere deres foreslåede model, baseret på et neuralt netværk, de sagde, at Person-Job Fit Neural Network (PJFNN) "effektivt kan lære den fælles repræsentation af Person-Job fitness fra historiske jobansøgninger."

Deres model navngivet som "Person-Job Fit Neural Network" efterlader lidt gæt på, hvad den gør. Relevante jobsøgende markeres. Forfatterne er tilsyneladende ret positive over for PJFNN-potentialet.

Hvad er der i det for Baidu? Motivation til at blive involveret i medarbejder-job-matching-teknologi fra deres side kunne tilfredsstille deres hensigt om at vokse forretning. Hvordan det? "Da Baidu ejer verdens næststørste søgemaskine, det er sandsynligt, at virksomheden kunne bruge denne teknologi til at hjælpe bedre med at målrette jobannoncer." Det var opfattelsen i "Download" indsendt af Erin Winick.

Datasættet, der blev brugt i eksperimenterne, var jobansøgningsoptegnelser fra en højteknologisk virksomhed i Kina, indeholdende mere end 2 millioner CV'er og 15, 039 stillingsopslag. Der var kun 31, 928 vellykkede jobansøgninger.

Forsigtighed er blevet udtrykt andre steder, selvom, at deres neurale nettilgang ikke er perfekt. Begrænsninger omfatter en mulighed for bias. "Hvis der er partiskhed i tidligere ansættelser, det kan snige sig ind i systemer som dette, udgør en ulempe for visse grupper, som måske ikke præsenteres for de samme jobmuligheder, " sagde "Downloaden."

Forfatterne skrev, at "Ikke alle jobkravene kan modelleres godt i PJFNN." Ikke desto mindre, de sagde, at de troede, at "selvom PJFNN ikke kan lære gode repræsentationer for alle kravene, de latente vektorer af de fleste CV'er og jobopslag, som PJFNN har lært, er generelt meningsfulde og kan bidrage til at forbedre effektiviteten og effektiviteten af ​​Person-Job Fit."

© 2018 Tech Xplore