择优而取：基于Bandit的分层面试方法
机器学习
2019-11-18 v2 人工智能
机器学习
摘要
面对海量求职者，企业应如何分配顺序性的简历筛选、电话面试与现场实地访问？在分层面试流程中，后期阶段（如现场访问）比前期阶段（如简历筛选）信息量更大，但成本也更高。利用公认的人才招聘模型以及人力资源最佳实践“结构化面试”这一概念，我们将分层招聘构建为随机多臂Bandit设定下的组合纯探索（CPE）问题。其目标是以某种组合结构选出一组臂（在我们的场景中即求职者）。我们在可能近似正确（PAC）与固定预算两种设定下提出新算法，以可证明的保证选出近似最优的候选人组。基于美国最大计算机科学研究生项目之一的真实数据所进行的仿真表明，相较现状，我们的算法能做出更优的招聘决策或消耗更少的预算。
引用
@article{arxiv.1906.09621,
title = {Making the Cut: A Bandit-based Approach to Tiered Interviewing},
author = {Candice Schumann and Zhi Lang and Jeffrey S. Foster and John P. Dickerson},
journal= {arXiv preprint arXiv:1906.09621},
year = {2019}
}