كيف بحثنا عن المرشحين باستخدام التعلم الآلي

مهمة

عادةً ، تعني الأتمتة تحسين العملية. في حالتنا ، تمت صياغة الهدف على أنه زيادة كفاءة البحث عن المرشحين. يتم التعبير عن الكفاءة في هذه الحالة من خلال إيجاد أنسب الوظائف المرشحة بأقل قدر من الموارد.

, (). , . ( ) , , . : , , , . , .

, : , , , .

— . , . , , .

:

. , . : , , , — . , () .

#1. — One-Hot Encoding (OHE)

, 1 — , 0 — .

بالإضافة إلى ذلك ، فإن عيب هذا النهج هو أنه لا يمكننا التمييز بين المهارات المحددة والشعبية الشائعة في العينة. هذا سيحدث ضجيجًا معينًا في بحثنا ويتداخل مع تمييز المرشحين وإبراز المرشحين المتشابهين.

من الطرق السهلة لتعديل تأثير المهارات الشائعة قليلاً على البحث عدم استخدام التقديرات الثنائية ، بل التقديرات الموزونة بناءً على تكرار الحدوث في العينة ككل وفي مستندات منفصلة. للقيام بذلك ، استخدم طريقة TF-IDF . ولكن في هذه الحالة ، ما زلنا لا نستطيع تقييم مدى تشابه المهارات مع بعضها البعض.

الطريقة رقم 2. عامل المصفوفة

User-Skills , . . — (skills’ embedding). , — , , .

, , . , . — , . , .

, , .

#3.

, . , — . , , , , ( supervised ), , , , , , , (unsupervised ). .

, . , , , .

— , .

,

— StarSpace. «», . , , , , , .

, , . , .

#4.

, — .

, . , , — , — . , — . — - — , , . , , .

, — .

العقد - على سبيل المثال ، يمكن أن يكون المرشحون متشابهين إلى حد ما مع بعضهم البعض ، أو يكونون في نفس المجتمع ، أو يشتركون في مصالح مشتركة ، أو يعملون في نفس الشركة أو لديهم خصائص متطابقة أخرى - هذا هو المسؤول عن خاصية التوحيد. من ناحية أخرى ، يمكن توحيد عقد المجموعات المختلفة بحقيقة أنها تلعب نفس الدور في مجموعاتها - القادة ، القادة المساعدين ، أوصياء المعلومات ، المتواصلون ، الغرباء. إذا أردنا مقارنة رسمين بيانيين ، يمكننا أن نفهم أن القادة في عمود واحد يلعبون نفس الدور الذي يلعبه القادة في عمود آخر - وهذا ما يسمى التشابه الهيكلي.

بطريقة أو بأخرى ، تحاول طرق تمثيل الرسم البياني إنشاء مسافة مع مراعاة كل من التماثل والمعادلة الهيكلية للرسم البياني.

عامل الرسم البياني

, : , .. — 1, — 0. , .

, .

a-like word2vec*

( , ) . , , , . . , , . , — w2v(skip-gram), doc2vec. ( word2vec).

الشبكات التلافيفية على الرسوم البيانية

إليك فكرة مشابهة للطريقة السابقة: نراجع الرسم البياني ونستخدم المعلومات حول جيرانها لتمثيل عقدة واحدة. بالإضافة إلى ذلك ، يتم تضمين المعلومات حول الهيكل العام للرسم البياني وخصائص العقدة في تدريب التمثيل. الابتكار الرئيسي لهذه الطرق هو أن النموذج يقوم بتطبيع قيم كل عقدة بطريقة تجعل الموضع في المساحة الكامنة للعقدتين أقرب ، وكلما تشابهت الأدوار الهيكلية لهذه العقد في الرسم الفرعي.

هذا الإجراء يسمى طي الرسم البياني.

• Semi-Supervised Classification with Graph Convolutional Networks
• FastGCN: Fast Learning with Graph Convolutional Networks via Importance Sampling
• N-GCN: Multi-scale Graph Convolution for Semi-supervised Node Classification

,

PyTorch BigGraph — Facebook Research. , . , , .

:

: — , . , , , .

, — IT-. , , IT-, (.. ), , .

GitHub (github.com, Terms of Service), . , GitHub API GitHub Archive, GitHub , .

GitHub . : ( , ), , , , , (), , , , , , .

GitHub , , . - , ; (), , . , , .

GitHub, embedding, .. . , .

.

, embedding.

embedding , , — .

. .

, GitHub , . , , , .

4 , , 5 . , , , , : Java, JavaScript, Python, DevOps, Data Science. 3500 . , , 35% , 65% — . , . , , Java Developer — 60%, , , . , DevOps, , . , — 25,5% .

ما حققناه

• يمكن مقارنة النسبة المئوية للمرشحين ذوي الصلة التي أوصى بها النموذج مع النسبة المئوية للأنظمة الأخرى ، بما في ذلك موارد البحث عن الوظائف.
• كان من الممكن زيادة القاعدة الداخلية للمرشحين بعدة مئات ، بإضافة مصدر لم يكن مشتركًا من قبل.
• تم تقليل الوقت المستغرق للعثور على مرشح واحد بنسبة 29٪ مقارنة بمصادر البحث "الباردة" الأخرى (أي المصادر التي لا يتم استخدامها للبحث المباشر عن وظيفة).
• تمكنا من معالجة الطلبات بمهارات نادرة بشكل أكثر كفاءة.
• وتوظيف عدد قليل من كبار المهندسين الذين لم يكونوا في بحث نشط عن وظيفة.

ما أود تحسينه

• لا يوجد حتى الآن حل جيد لتقييم مستوى إتقان المرشحين.
• GitHub , .
• , , GitHub.
• , .

, , , , .

, , , .