基于人工智能的职位描述和求职者特征

International Journal of Information Management Data Insights 2（2022）100109基于人工智能的职位描述和求职者特征Sridevi G.M.P.，S.卡马拉·苏甘提Atria Centre for Management and Entrepreneurship班加罗尔560024印度aRT i cL e i nf o保留字：人才获取概况人工智能，质量a b sTR a cT为某项工作雇用合适的候选人要求很高，需要几个紧张的过程。许多组织面临着雇用合适候选人的挑战，因为他们寻求职位描述（JD）。开发了一个基于人工智能（AI）的系统，用于从可用的候选人简历（CR）数据库中测量和预测合适的候选人。从JD和CR中分别提取了四个类，分别对应于初级技能、次级技能、形容词和副词。Jaccard相似性测量这些集群之间的适合性措施，提出了基于集群参数。使用三个分类器线性回归，决策树，Adaboost和XGBoost进行候选适合性的预测。为了完成分类任务，采用词袋技术形成了各种特征。XGBoost分类器的最高平均准确度为95.14%1. 介绍最新的技术给人力资源管理实践带来了根本性的变化.互联网连接为求职者和雇主带来了许多机会（Zeebaree等人，2019年）。在各种平台上发布的招聘信息，如就业门户网站，社会媒体和自己的公司网站将吸引许多求职者。在寻找工作机会时，许多候选人申请的工作没有地理限制。人才招聘专家面临着巨大的挑战，要仔细审查许多申请人的相关资料此过程会增加人力成本、时间及难以及时填补空缺近年来，AI已经有了很多应用。作者探讨了人工智能在智慧城市中的应用（Herath Mittal，2022）。在智慧城市的主要领域，如风险管理、安全、教育等，人工智能已经得到应用。人工智能用于预测分析，这涉及到基于前向数据做出智能决策（Mohbey Kumar，2022）。Yadav等人（2022）利用人工智能技术（如遗传算法（GA）和人工神经网络（ANN））开发了一个组合模型进行预测。AI被广泛应用于具有区块链的物联网的安全架构（Bisaf et al.，2022年）。人工智能在人力资源管理方面也非常有效。Malik等人对与工业4.0领导的组织的人力资源进步相关的挑战进行了研究。（2021年）。这项研究的主要重点组织的目标是利用基于人工智能的方法来根据工作要求选择合适的候选人招聘流程的效率显著提高，原因是应用程序-基于AI的技术的概念（Hemalatha等人，2021; Jha等人，2020年）。许多研究集中在使用机器学习（ML）和文本分类的技术上Garg等人（2021 b）对ML在HRM中的应用进行了调查。Garg等人（2021 b）指出，ML已应用于招聘和绩效管理等领域，大大提高了人力资源人工智能方法也用于文献中以提高员工的工作效率（Chowdhury等人，2022年）。Ruby和Merlin（2018）讨论了人工智能在招聘、培训、人才管理和保留等各种人力资源职能中的使用。Votto等人（2021）对人力资源管理和人力资源信息系统（HRIS）中人工智能的发展进行了系统的文献作者总结了战术性人力资源管理的组成部分及其在人力资源管理中的应用。而基于自然语言处理（NLP）的语法分析器是由Ponnaboyina等人开发的。（2022）和Sanyal et al. （2017年）自动填写申请人表格。自动填写的个人资料于候选人批准后储存于数据库DiX it et al.（2019）解决了根据技能对简历进行排列和排序的耗时任 务 。 在 他 们 的 研 究 中 ， 使 用 基 于 AI 的 方 法 进 行 简 历 排 序 。Vedapradha等人（2019）评价了AI对HR的有效利用。在工作中，评估各种变量，然后使用多元线性回归方法预测员工绩效Kumar等人对文本挖掘在服务管理中的应用进行了系统的研究。（2021年）。研究人员使用大数据分析工具确定了人工智能对人力资源流程的影响主要在阿联酋地区进行∗ 通讯作者。https://doi.org/10.1016/j.jjimei.2022.100109接收日期：2022年5月5日;接收日期：2022年8月11日;接受日期：2022年8月12日2667-0968/© 2022作者。由Elsevier Ltd.发布。这是一个CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表国际信息管理数据见解期刊主页：www.elsevier.com/locate/jjimeiS.通用汽车和S.K. 苏甘提International Journal of Information Management Data Insights 2（2022）1001092（Singh Shaurya，2021）。用于招聘过程的基于AI的软件在Nawaz（2019）中详细阐述了印度软件公司的发展。Koch等人进行了一项关于COVID-19对德国公共部门劳动力市场影响的研究（Koch等人，2021年）。使用定量文本挖掘和描述性统计对结果进行分析。Pejic-Bach等人（2020）使用文本挖掘对工业4. 0中的招聘广告进行分析，并从这些广告中提取知识。Zhang等人（2015）利用知识型员工的各种属性，开发了一个职位匹配系统。研究人员（Lin等人，2016）已经提出了利用基于ML的技术来语义地搜索工作职位的工作搜索。采用了三种不同的ML技术，例如使用无监督，基本分类器和组合方法的特征。Garg等人（2021 a）开发了一种基于AI的智能脉冲应用程序，研究人员提供了一种有效的方法来评估大量的调查评论并从中发现可操作的见解。GA已用于Wang et al.（2016）进行简历推荐。简历的向量形式是使用教育、年龄和JD等实体来执行的。利用遗传算法建立了简历匹配模型，该模型在简历匹配时考虑了用户的需求。 Chou和Yu（2020）使用ML和文本挖掘开发了一个推荐系统，用于基于各种特征的职位空缺，例如如竞争力、个性等。Roy等人（2020）开发了一种两级方法用于简历推荐。在第一级，进行了简历分类。一旦简历被分类，候选人就会根据基于内容的排名进行排名。Mhamdi等人（2020）开发了一个推荐系统，以帮助求职者选择合适的工作。工作集群是根据联合文档的特征准备的。 然后使用预先创建的集群为求职者推荐合适的工作。开发了一个工作简历分类系统（Zaroor等人， 2017年）组织可用的简历。求职者面临的主要挑战之一是存在不同结构的简历。这个工作分类系统有助于将简历按工作类别分类。 Daryani等人（2020）和Alamelu等人（2021）使用NLP进行求职筛选，并根据JD建议最合适的简历。 Sinha et al.（2021）使用NLP和ML对简历筛选进行了调查。简历被排序，他们被用来找到最好的候选人。Koyande等人（2020）给出了使用预测分析的候选人排名。简历排名时考虑了各种可能的特征，如技能、爱好、优点和缺点。CR排名可以帮助HR经理在短时间内从CR池中识别合适的候选人。Kadiwal和Revanna（2021）开发了一个帮助简历筛选的简历排名系统。该系统实现了简历与简历内容的匹配。然后应用K-最近邻ML技术来挑选顶部简历。在在线招聘系统中，使用基于ML的方法对候选人的简历进行评估和排名（Lai等人，2016年）。一组描述性特征是从候选人的LinkedIn数据中提取出来的，并测量了个性特征。Phan等人（2021）描述了一种基于本体的简历与JD匹配。将简历内容和JD本体图表示出来，然后进行匹配，选出合适的候选人。Pandita等人（2019年）关于使用技术获取人才的系统性文献综述 此外，还解释了使用数字化的招聘过程及其对组织的影响。Hunkenschroer和Luetge（2022）对人工智能应用于重新审查和选择的伦理进行了审查。他们选择了51篇研究文章，讨论了伦理、风险、模糊性和机会等各个方面。 Kushwaha等人（2021）利用大数据分析和文本挖掘来识别新的子管理领域。利用网络分析和NLP识别了管理中的各种新兴领域。 这项工作也为新兴的管理领域提供了很好的未来方向。到目前为止，基于人工智能的技术已经被开发用于简历筛选，以在招聘过程中协助人力资源经理。还有利用CR和JD的信息内容来决定它们之间的最适当匹配存在相当大的研究差距。除了CR和JD的主要信息外，它们还包括关于工作性质和功能能力或要求的定性描述。在简历筛选过程中，指示CR和JD之间匹配的定量测量对于排名和选择合适的候选人非常有用。本研究的主要目的之一是建立一个基于信息含量和定性描述的定量测量的CR和JD。基于人工智能的技术用于从CR和JD中提取信息内容和定性描述，然后计算CR和JD之间的适合性度量。此外，ML技术被用来执行CR到合适的类的预测。研究目标是：1 对CR和JD的信息含量和质量连续性进行2 根据集群，3 对重要类别的适用性测量进行预测。在这项研究中，人工智能技术，如文本挖掘，自然语言处理，和ML被用来识别和分类的候选人的基础上，他们的适合性。来自CR和JD的内容被分组为四个词簇。提出了一种基于CR和JD聚类之间Jaccard相似性的适合性度量方法。基于ML的技术用于预测候选人的适合性，例如最适合（MOS），中等适合（MDS）或不适合（NTS）类。合适性度量及其预测有助于人力资源经理快速识别JD的MOS候选人。研究论文分为以下几个部分。将CR和JD集合作为数据集第二节分析了生态系统的适宜性，第三节给出了生态系统适宜性的测度和预测。在第4节中给出了各种实验的结果，在第5节中进行了讨论，然后在第6节中给出了结论。2. CR和JD数据集分析本节对包含CR和JD的数据集进行了分析。求职者简历14,906份，现有8个JD 在数据集中。该数据集最初来自Kaggle（数据库），并进行了进一步的细化步骤。 在表1中，提供了各种JD，如Web Developer、LinuX System Admin、C Developer和AWS Cloud Eng.对于JD，提供了各种详细信息在数据集中，如职位，公司的详细信息和城市。描述和职责栏详细说明了该职位所需完成的各项任务，所需技能在技能栏中给出。对应于职位名称，所需的资格在教育栏中提到。一个网页设计师的职责包括使用JavaScript开发和设计网站。最低教育要求和首选工作技能是BSC或BE和JavaScript，Python，如表所示。表2中列出了数据集中各种职称的CR示例地示出了该数据集包括各种候选人信息，如职位、城市、工作描述、该职位的工作经验、教育详情、候选人的技能以及他们所做的认证。计算机工程师的简历头衔、AWS解决方案架构、认知自动化和机器学习简介如表所示。图 1显示了CR数据集中存在的职位名称的频率。在图1中。有2092名候选人的简历标题是软件开发人员。第二高的求职者是Web开发人员1302，其次是机器学习，计数为1143是CR数据集的一部分。数据库中有93名数据科学家候选人S.通用汽车和S.K. 苏甘提International Journal of Information Management Data Insights 2（2022）1001093从简历中摘录然后将噪声去除应用于每个CR������������������������������������������������������表1JD示例。职位名称公司市描述责任教育偏好技能Web DeveloperBrainizenTechnologies马哈拉施特拉邦浦那没有一开发和开发Web脚本Java本科BE;硕士JavaScript，Python，LinuxX系统管理Wipro马哈拉施特拉邦浦那没有一处理与LinuX系统程度LinuX，Veritas卷管理器C开发人员深圳市华诚软件有限公司马哈拉施特拉邦浦那在微软的高设计和构建C++代码计算机专业学士API、Java、C++AWS Cloud Eng忠诚逻辑马哈拉施特拉邦浦那AWS中的WellEXpert规划改进AWS云基础架构BE / B。技术还是医疗AWS，DevOps表2具有不同职称的CR。简历标题市描述工作经验个教育技能证书附加信息计算机工程师Anand组织目标。使用HTML开发网站B.E. C.E.计算机HTML，CSS，PHP{}PHP中的CRUDAPIAWS解决方案架构。钦奈AWS认证7年与AWS集成’B.E inPython 2年AWS解决方案从事生产工作计算机工程师浦那IT部门工作。云工程Python研究生C++、HTML{}编程语言：C++，计算机工程师哈里亚纳没有一’Web计算机工程文凭C，C+马恒达骄傲级Web开发， PHP认知自动化钦奈压力环境认知自动化B-Tech在Tech自动化{}没有一机器学习钦奈Python编程工程师'MCA'机器学习{}没有一51系统管理员申请。在数据集中，简历标题为系统管理员的申请人很少图 2. 描述了这些教育背景和能够接受这些教育的人数申请人数最多的是工程专业毕业生BE/BTech，有8963人，其次是理工学院、文凭等其他专业，有2607在数据集中，只有968名理科毕业生，其次是756名工程硕士3. 适宜性测量和预测本集团已开发一个基于人工智能的模型，以寻找最适合JD的候选人。各种人工智能技术，如NL，clusters，和距离测量用于计算CR适合性测量。此外，在这项研究工作中进行了CR的适用性的预测给定的JD。在这项工作中开发的简历适合性测量的架构如图1所示。数据集中存在的CR和JD在第一步中读取。在CR和JD上遵循各种预处理步骤代币-辅助技能是根据CR和JD中的详细信息创建的。候选人简介中的一组主要技能显示了他的技能组合。而JD中的主要技能提供了执行任务所需的基本技能的细节。此外，每一个JD都提供了非首选技能，这些技能构成了次要技能组。对应于每个CR，获得JD中不属于主要技能的技能以创建次要技能集群。两者中的辅助技能集群代表CR和JD所呈现的辅助技能。形容词的组合而形容词则使用CR中的细节来构成，如教育、技能、角色描述和附加信息。候选人简介中的一组形容词反映了候选人的质量，而工作质量则反映在一组副词中。JD中的形容词群表示执行工作所需的候选人的质量。候选人的功能要求在JD的副词簇使用四个聚类之间的Jaccard相似性来测量JD和CR之间的适合性一般来说，包含句子和单词的两个文档Jaccard相似度和Jaccard相似度定义为（1），������������������������对CR的集合执行了一个操作过程，并获得了该列表������������������������������������������（（一）和京东执行停止词消除并收集重要词，然后应用词形化词形化从字典中识别其基本词根用自然语言工具来确定CR标记的句子的词性我们定义了CR和JD集群之间的Jaccard相似性度量，如（2）所示。对于一个簇，Jaccard相似度为：������������������Kit NLTK。简历的处理和适合性测量是������������������������������（（二）通过参考数据集中给出的词性和细节，在CR和JD中形成四个词簇。的CR和JD有四个重要的信息，这是最重要的重新筛选。主要技能和次要技能表达了工作所需的技能，而它们的功能特性则由简介中的形容词和副词描述。因此，我们把初级技能形容词、次级技能形容词和副词分为四类.由JD和CR形成的簇如图所示。第四章初级技能的集群，利用（2）计算了CR和JD的四个聚类之间的Jaccard相似性。聚类的Jaccard相似度是这些聚类中常见词的数目与总词的比率。这也受到数据大小的影响。在我们的研究中，对文本进行预处理，以获得重要的关键字，只有这些关键字被用来计算Jaccard相似度。主要技能簇和次要技能簇之间的Jaccard相似度分别为（，）和（������，）������������������������������������������Jaccard的相似性示于图 3.S.通用汽车和S.K. 苏甘提International Journal of Information Management Data Insights 2（2022）1001094||���������||������������������图1. 不同候选人职称的频率。一组形容词（，）。������������������然后利用Jaccard计算CR和JD之间的适合性度量我们提出以下等式来计算适合性度量，��������������������������������� =���（������������，������������）+���（������������，������������）+���（���������������，���������������）|���������������|（三在这里，“基本技能”和“辅助技能”是CR的主要技能和辅助技能的集合���是���������������������JD的主要和次要技能的集群。���������������求职者简历中的一组形容词的������表示JD中的形容词簇。 ������表示CR中形容词簇中存在的单词数。将（3）中的第三项与CR中的形容词数量相乘，以按比例增加其权重������适用性测量值在JD和CR之间使用等式计算。（2）整个数据集。如图5所示，我们使用基于AI的技术开发了适合性测量预测。最初，从相应的数据库获得CR和JD，然后执行诸如消除主题标签、URL和额外标签的预处理。然后在两个配置文件上执行停止词删除，然后对每个配置文件中的内容进行标记化和词形化。重要的文本特征是使用两个配置文件中存在的关键字然后，使用基于AI的分类器对测量到三个类别MOS、MDS和NTS的适用性进行预测4. 实验结果本研究中的实验是在最初从Kaggle（数据库）收集的简历数据集上进行的。该数据集包括14，806例CR。每个个人资料都包含简历标题、地点、角色描述、教育、技术技能、证书和其他信息等字段。从LinkedIn获得了八个JD，分别是机器学习，数据科学家，数据分析师，嵌入式开发人员，全栈开发人员，Java开发人员，Php开发人员和Python开发人员。每个JD中包含各种详细信息，例如标题、公司、城市、州、描述、责任、教育、偏好技能、非熟练技能、链接、所需证书、附加信息。如第3节所述，四个聚类由来自CR和JD的主要技能、次要技能、形容词和副词组成。 表3显示了使用几个JD和CR准备的形容词集群。在第1行中，显示了JD：1的形容词集群。 在第2、3和4行中给出了三个简历CR：1604、CR：1667和CR：1721的形容词集群。类似地，JD：2和其他简历的形容词集群如表3所示。JD：1和CR之间的Jaccard相似性如图6（a）所示。JD：1和CR：1604之间的Jaccard相似性为0.2857。同样，还显示了JD：1与CR：1667和CR：1721之间的Jaccard相似性。在图6（b）中。Jaccard相似性从JD：2到相应的形容词集群显示。JAC-S.通用汽车和S.K. 苏甘提International Journal of Information Management Data Insights 2（2022）1001095图2. CR数据集中的教育详情。图三. 适宜性度量体系结构。JD：2和CR：1603之间的卡相似性是0.4375，并且以相同的方式，描绘了其他CR的Jaccard相似性。在JD：2和CR：1609之间获得了最高的Jac-卡相似度0.5608表4列出了由司法鉴定和司法鉴定组成的初级技能组群。JD：1在第1行中与其主要技能集群一起显示。图2、图3和图4示出了三份简历CR：1604、CR：1667和CR：1721的主要技能的集群同样，给出了JD：2、CR：1603、CR：1609和CR：1820的主要技能在图7（a）中，JD：1和CR：1604之间的最高Jaccard相似性为0.6307，而在JD：1和CR：1667之间观察到的最低Jaccard相似性为0.2743。JD：2与简历CR：1603、CR：1609和CR：1820之间的Jaccard相似性如图所示。 7（b）.表5列示了一些司法主任和合规主任的第二技能类别。第1行和第5行显示了JD：1和JD：2的次要技能集群，表5中给出了一些CR。图8显示了JD：1和JD：2之间的Jaccard相似性，其中有几个CR。JD：1和CR：1721之间的相似性最高为0.172，而JD：1和CR：1667之间的Jaccard相似性最低为0.012。所提出的适合性度量是使用Jaccard相似性计算的，JDs和CR的四个聚类之间的相似性来自Eq. (3). 表6在第四列中给出了JD：1、JD：2、JD：3和JD：4之间计算的适用性度量，其中包含多个CR。JD：1与CR：1721的适宜度最高，为1.881; JD：4与CR：2907的适宜度最低，为0.021。根据合适性衡量标准，将简历筛选分为MOS、MDS和NTS三个级别，以便于管理人员在简历筛选过程中做出快速决策。高于0.6的适用性值被视为MOS等级。CR：1721 JD：1的MOS，适用性值为1.881，与CR：1867相似是JD的认为适用性值在0.6至0.1S.通用汽车和S.K. 苏甘提International Journal of Information Management Data Insights 2（2022）1001096图第四章（a）四组JD（b）四组CR。图五. 适宜性测量和预测。图第六章 CR和（a）JD：1（b）JD：2的形容词簇之间的Jaccard相似性。S.通用汽车和S.K. 苏甘提International Journal of Information Management Data Insights 2（2022）1001097图第七章C R 的 主 要 技 能 集 群 之 间 的 Jaccard相似性和（a）JD：1（b）JD：2。图第八章 CRs和（a）JD：1（b）JD：2的次要技能集群之间的Jaccard相似性。MDS CR：1667是JD：1的MDS，适用性值见下表。适用性值小于0.1被视为相应JD的NTS。CR：2907是JD：4的NTS图9中示出了关于八个JD的三类CR的类分布。具有MOS等级的CR百分比在我们的数据集中，MDS患者的比例为23.5%，而MDS患者的比例为23.4%。在我们的数据集中，有53.2%的CR被归类为NTS有八个JD，如机器学习，数据科学家，数据分析师，嵌入式开发人员，全栈开发人员，Java开发人员，Php开发人员和Python开发人员。我们从主数据集中收集了与这些标题匹配的CR。因此，我们获得了接近8个JD的1049个CR。在8个JD和1049个CR之间测量适合性，并将其分为三个类别，例如MOS，MDS和NTS。在这项研究中，使用基于AI的分类器，即线性回归，决策树，Adaboost和XGBoost分类器，将CR预测为三个合适的类别。这些分类器在从每个CR收集的词袋特征上进行训练，以执行三级分类。分类器性能通过5重交叉验证进行测试。5倍交叉验证的平均准确率见表7。线性回归的最小平均分类率为85.60%。对于分类器，如决策树、Ad-见图9。 适合性的类分布S.通用汽车和S.K. 苏甘提International Journal of Information Management Data Insights 2（2022）1001098表3JD和CR中的形容词集群。CR/JD形容词组合JD：1（分析，适当，深入，微调，框架，必要，加上，解决问题，统计）CR：1604（构建、临床、相称、完整、客户CR：1667（modify，new，operational，python，throughout）CR：1721（应用程序、后端、构建、不同、有效、创新、内部、主要、医疗、新、在线、整体、私有、程序。渐进的、经过验证的、可扩展的、规定的、技术的、有用的、面向用户的、可视化的、“专门”）JD：2（算法、异常、早期、提取、生成、人类、神经、基于模式、潜在、真实）CR：1603（客户的、深入的、动态的、参与的、广泛的、未来的。历史的，实施的，单独的，最大的，多的，必要的，组织。具体的，真实的，统计的，充足的，监督的）CR：1609（当前，远，人际，标签，机械，需求，科学，海运，技术，彻底，各种）CR：1820（日常、末端、前端、全、全谱、生命周期、多、负责、丰富，树，各种，网络）aboost和XGBoost方法。XGBoost分类器的最高平均分类率为95. 14%5. 讨论人工智能越来越受欢迎，并发现了许多日常应用。人工智能的有效性和应用将随着从各种流中收集更多数据而得到增强。文本挖掘和NLP是人工智能的重要领域，它解决了基于文本数据的处理，提取和做出合适的决策。 NLP被广泛用于各种应用，如聊天机器人，语言翻译，自动纠正，文本摘要等。5.1. 理论贡献定义业绩和增长的主要因素之一一个组织的核心是人力资源。人才招聘是将合适和有能力的员工带到公司的阶段。许多组织都认识到人才招聘的重要性，并投入时间和精力来更新其技术。目前计算和通信技术的进步为提高人才提供了新的机会表6适用性测量和分类。表4JD和CR中的主要技能群CR/JD初级技能JD：1（算法，数据，建模，数据，结构，java，Keras，概率，python，pytorch，r，软件，架构，统计）CR：1604(api，chatbot，classi fication，decision，decision，decision ask，nlp，pl/sql，python，pytorch，rest，sql，svm，text，tree，Xgboost）CR：1667(api、开发、Python、软件）CR：1721（分析，人工，数据，深度，Django，HTML，智能，学习，更少，machine，python，science，structure）JD：2（clustering，decision，trees，excel，linuX，modeling，neural，networks，powerbi，python，r，regression，scenario，analysis，simulation，sql，tableau）CR：1603（分析、人工、数据、信息学、智能、学习、机器、可视化）CR：1609(arti官方，数据，智能，语言，学习，机器，自然，处理，科学）CR：1820（Apache，Eclipse，Hadoop，J2EE，Python，Spark）表5JD和CR中的辅助技能集群CR/JD第二类技能JD：1（testing，html）CR：1604（聊天机器人，api，classi fication，nlp，text，decission，Xgboost，restart，svm，pl/sql，sql，tree）CR：1667（development，perl）CR：1721(deep，learning，django，intelligence，data，less，html，artificial，science，机器，分析）JD：2（芒果，CSV）CR：1603（信息学、分析、学习、智能、数据、人工、机器、可视化）CR：1609（学习，语言，智能，自然，数据，人工，处理，科学，机器）CR：1820（Hadoop，C++，Java）收购过程。人工智能是近年来支持组织数据驱动决策的一个进步。我们对这项研究的贡献是定制和利用人工智能的能力来获取人才。为职位确定合适的候选人需要许多紧张的过程，涉及大量的人力资源。近年来，许多研究人员通过提出在人才获取，培训和保留中使用AI的各种解决方案，为减少人力资源做出了贡献（Ruby& Merlin，2018）。一些研究人员专注于改进简历筛选和排序方法。技能等各种特征SL. NumJ.D.公司简介适用性类1116041.821MOS2116670.394MDS3117211.881MOS4117590.599MDS5117650.642MOS6216090.571MDS7218201.397MOS8218671.052MOS9219001.344MOS10219150.504MDS1139140.525MDS12316420.761MOS13316960.403MDS14316970.403MDS15318290.250MDS16421730.461MDS17422700.533MDS18424930.534MDS19428930.504MDS20429070.021NTSS.通用汽车和S.K. 苏甘提International Journal of Information Management Data Insights 2（2022）1001099表7适用性预测的5倍交叉验证的平均准确率分类器分类率（%）误分类率（%）线性回归85.6014.4决策树94.475.53AdaBoost94.785.22XGBoost95.144.86对候选人的爱好、强项和弱项进行了分析， 进行简历排序（Koyande等人，2020年）。Tejaswini等人通过匹配简历内容和职位描述开发了一种简历排序方法（Kadiwal Revanna，2021）。在他们的方法中，文本摘要和匹配是使用K最近邻分类器对文本特征进行的。然而，文本摘要引入了信息损失。此外，这些最新的发展都没有考虑候选人简历中的质量特征。我们开发的方法不仅利用各种文本特征，而且定性特征来执行匹配任务。在我们提出的系统中，四个集群是由候选人的简历和工作简介形成的。四个集群形成的主要技能，次要技能，形容词，和副词的profiles。前两个聚类确定了候选人简历中与给定职位描述最相关的职能要求。候选人简历和职位描述中的质量方面通过创建形容词和副词的集群来表示。然后计算每个聚类之间的Jaccard相似度，以衡量简历与职位描述的接近程度。提出了一种适合性度量，考虑使用Jaccard相似性的集群之间。因此，适用性度量反映了功能要求和来自配置文件的质量特征。5.2. 实时应用近年来，基于AI的技术已经找到了实时应用。人工智能已广泛用于语言服务，如自然语言处理，文本到语音转换和语言翻译。流行的服务包括亚马逊Alexa和苹果Siri都是很好的例子。许多公司正在使用基于人工智能的交互式聊天机器人与客户进行互动。使用情感分析了解客户行为是实时应用的另一个示例。此外，许多用于实时电子商务网站的推荐引擎都是基于人工智能技术开发的。内容组织和提供文档分类是人工智能的另一个广泛使用的实时应用。图书馆中的文档和期刊使用人工智能应用程序自动分类，垃圾邮件过滤是实时人工智能应用程序的另一个例子。同样，我们开发的基于AI的简历筛选具有实时应用。它提供了一个实用的方法来确定最合适的候选人为JD。基于从简历中收集的特征，我们的系统预测最合适的候选人日期。我们的系统的另一个重要方面是，它可以与现有的人力资源流程集成，因此他们可以根据我们基于AI的方法做出关于候选人入围的决定。5.3. 成本效率在为人力资源流程实施和部署人工智能解决方案时，有两个主要问题一个是接受人工智能的人力资源解决方案，第二个是成本效率。人力资源管理人员的接受程度主要是由于他们的工作环境发生了变化，因为他们需要从传统系统转向基于人工智能的系统。部署时的第二个主要问题是成本效率，包括各种成本，如人工智能的设计和开发、人力资源实践者的人工智能培训以及基于人工智能的解决方案的维护基于AI的解决方案是一个轻量级的解决方案，包括从给定的配置文件的文档和文本的主要处理。该实现在Python库中进行，并且可以从现有的CR和JD中轻松获得训练AI解决方案所需的数据。我们的简历筛选人工智能解决方案具有最具互动性的方法，因此对人力资源从业者来说更容易。人工智能系统的维护包括更新和培训人工智能系统，这与任何其他人工智能解决方案相似。另一方面，对于人力资源从业人员来说，在简历筛选（通常是一项耗时的任务）方面节省时间是一个巨大的好处。5.4. 对实践的基于AI的简历匹配系统使用Python 3.7开发，并使用Pandas，Numpy和Matplotlib等包。 对14，906份简历的结果进行评估。适用性测量表明， 一份特定工作的简历。所提出的适合性度量可以用于执行合适候选者的预测。使用词袋技术收集各种文本特征，并在MOS、MDS和NTS类中进行预测。基于AI的分类器被用于执行此分类。这些预测类有效地将候选人的简历分为三类，从而在选择过程中帮助人力资源经理。可以通过使用适合性测量在每个类别内执行候选人的排名。此外，我们开发的系统可以与Web服务器集成，为人力资源经理提供简历筛选和匹配功能。该系统易于实现，并与Web服务器集成，使其成为一个成本效益的解决方案。它还通过将简历分类为不同的类别来减少耗时的简历筛选任务。据称，人力资源经理可以为招聘过程确定合适的简历.6. 结论和今后的工作在人才招聘过程中，一个非常具有挑战性的任务。从一个巨大的应用程序数据集中筛选合适的简历是一个繁琐的过程。为了克服这些挑战，本研究开发了一个基于AI的系统。本文对JDs和CR进行了分析，并将其分为四类：初级技能、次级技能、形容词和副词。计算不同聚类之间的Jaccard相似性。基于Jaccard相似性，开发了适用性度量，以评估具有给定JD的CR的适用性。这种适合性衡量既反映了候选人的技能与执行工作所需技能的接近程度，也反映了执行任务所必需的素质。为整个数据库计算适合性度量。基于人工智能的预测技术，如线性回归，决策树，Adaboost和XGBoost用于预测适合性 把候选人分成三个班。单词特征包用于分类过程。预测实验进行和评价5倍交叉验证。线性回归的平均分类率为85.60%，XGBoost分类器的平均分类率为95.14%。未来的工作将集中在使用与候选人相关的社交媒体特征来形成额外的聚类，以及利用有效的文本特征进行分类。S.通用汽车和S.K. 苏甘提International Journal of Information Management Data Insights 2（2022）10010910资金没有收到开展这项研究的资金。竞争利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。引用Alamelu，M.，Kumar，D.美国，桑贾纳河Sree，J.S.，Devi，A.美国，&Kavitha，D.（2021年）。使用自然语言处理恢复验证和过滤2021年第10届万物互联、微波工程、通信和网络国际会议（IEMECON）。1-5）。Chou，Y. C.，&Yu，H.- Y.（2020年）。基于人工智能技术在简历分析和职位推荐中的应用. 在2020年IEEE国际计算电磁学会议上，291-296）。Chowdhury，S.，Budhwar，P.，Dey，P.K.，Joel-Edgar，S.，&Abadie，A. （2022年）。 AI员工协作和业务绩效：整合基于知识的观点，社会技术系统和组织社会化框架。Journal of Business Research，144，31Daryani角，恰布拉湾美国，帕特尔，H.，恰布拉岛K.，&帕特尔河（2020年）。使用自然 语 言 处 理 和 相 似 性 的 自 动 简 历 筛 选 系 统 道 德 与 信 息 技 术 ， 99-103 。1 0 . 2 6 4 8 0 /etit.02.2020.99.103。去吧，薇薇，Patel，T.，Deshpande，N.，索纳万湾（2019）. Ijresm_V2_I4_117，no.（4），pp.2-4.Database，K.R... 恢复D