ResumeNet：一种基于学习的自动简历质量评估框架
信息检索
2018-10-09 v1 机器学习
摘要
为特定岗位招募合适人员对任何公司或组织都至关重要。从大量简历中人工筛选合适候选人可能令人疲惫且耗时。然而，目前没有可直用于自动简历质量评估（RQA）的公开工具。这促使我们开发一种自动 RQA 方法。由于也没有用于模型训练与评估的公开数据集，我们通过收集约 10K 份由某私营简历管理公司提供的简历构建了 RQA 数据集。通过考察该数据集，我们识别出一些可用于区分优劣简历的因素或特征，例如简历不同部分之间的一致性。随后设计了一个神经网络模型来预测每份简历的质量，其中融入了一些文本处理技术。为应对数据集中的标签匮乏问题，我们提出了该模型的若干变体，或利用基于成对/三元组的损失，或引入一些半监督学习技术以利用丰富的无标签数据。所提出的基线模型及其变体均具通用性且易于实现。采用包括受试者工作特征（ROC）曲线、F 度量和基于排序的平均精度（AP）在内的多种常用准则进行模型评估。我们将不同变体与基线模型进行比较。由于无公开 RQA 算法，我们进一步将结果与某可对简历打分的网站所得结果比较。基于不同准则的实验结果证明了所提方法的有效性。我们预见我们的方法将改变未来人力资源管理的方式。
引用
@article{arxiv.1810.02832,
title = {ResumeNet: A Learning-based Framework for Automatic Resume Quality Assessment},
author = {Yong Luo and Huaizheng Zhang and Yongjie Wang and Yonggang We and Xinwen Zhang},
journal= {arXiv preprint arXiv:1810.02832},
year = {2018}
}
备注
ICDM