基于上下文感知 Transformer 模型的能力层级预测与简历-职位描述匹配
计算与语言
2020-11-06 v1
摘要
本文提出一项关于简历分类的综合性研究，以显著减少筛选海量申请所需的时间与人力，同时改进合适候选人的甄选。从 24,933 份申请中提取了 6,492 份简历，对应划分为临床研究协调员（CRC）四个经验层级的 252 个职位。每份简历由专家通过多轮三重标注手动标注至最合适的 CRC 职位以建立标注指南。结果标注者间一致性达到了 61% 的高 Kappa 分数。基于该数据集，我们开发了用于两项任务的新型基于 Transformer 的分类模型：第一项任务输入简历并将其分类至 CRC 层级（T1），第二项任务输入简历与职位描述并预测申请是否适合该职位（T2）。我们使用段落编码与多头注意力解码的最佳模型在 T1 与 T2 上分别取得 73.3% 与 79.2% 的结果。我们的分析表明预测错误多发生于相邻 CRC 层级之间，这些层级即便对专家也难以区分，意味着我们的模型在真实人力资源平台中的实用价值。
引用
@article{arxiv.2011.02998,
title = {Competence-Level Prediction and Resume & Job Description Matching Using Context-Aware Transformer Models},
author = {Changmao Li and Elaine Fisher and Rebecca Thomas and Steve Pittard and Vicki Hertzberg and Jinho D. Choi},
journal= {arXiv preprint arXiv:2011.02998},
year = {2020}
}
备注
Accepted by the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP 2020)