导航菜单

LinkedIn的人工智能从招聘启事中生成候选人筛选问题

导读 LinkedIn正在使用人工智能和机器学习来生成主动职位发布的筛选问题。 在本周在预印服务器Arxiv org上发表的一篇论文中,合著者描述了Job2Quesions,一种通过减少人工筛选需求来帮助
2020-05-11 16:15:23

LinkedIn正在使用人工智能和机器学习来生成主动职位发布的筛选问题。 在本周在预印服务器Arxiv.org上发表的一篇论文中,合著者描述了Job2Quesions,一种通过减少人工筛选需求来帮助招聘人员快速找到申请人的模式。 这不仅仅是理论研究——招聘经理和求职者在LinkedIn的平台上对数百万份工作进行了简单的测试。

Job2Quesions部署的时间是偶然的。 筛选是一种必要的邪恶-一项LinkedIn的研究发现,大约70%的手动电话筛选发现缺少基本的申请人资格。 但随着这一流行病对传统招聘流程的影响越来越大,公司正在采用替代方案,一些公司表示愿意试点人工智能和机器学习工具。 求职问卷旨在减少招聘人员花在问问题上的时间,他们应该已经有答案,或者暴露候选人自己可以填补的空白。

正如研究人员所解释的,Job2Quesions产生了一些筛选问题的候选人,考虑到职位发布的内容。 它首先将帖子分成句子,并将这些句子转换成对问题模板(例如,“您使用...有多少年的工作经验”和“您是否完成了以下教育水平:”)和变量(“Java”和“学士学位”)。 然后,它将句子分类为几个模板之一,这些模板是通过聘请专家设计的,并利用实体链接系统来检测与所选模板相对应的参数,即从句子中标记特定类型的实体(如“教育学位”、“口语”、“工具类型技能”和“凭据”)。 在Job2Quesions中,一个经过预先训练、微调的深度平均网络分析了发布文本的语义意义。 最后,一个排序模型确定了这些问题的最佳问题。

为了收集数据来训练支持Job2Ques的机器学习模型,LinkedIn的研究人员有注释器标记句子-问题对,这使得可以从句子中预测模板。 然后,该团队收集了110,409个标签三元组-包含单个职位发布、模板和参数的数据样本-由LinkedIn上的职位海报提交,该海报用于培训Job2Quesions的问题排序模型,以预测职位海报是否会在帖子中添加筛选问题。 被招聘人员和海报添加和拒绝的筛选问题作为地面真相标签。

在为期两周的涉及50%LinkedIn流量的实验中,研究人员声称,只有18.67%没有正确回答筛选问题的申请人被招聘人员评为“良好的适合”,而那些回答至少一个问题正确的申请人的排名则高出23%。 他们还声称,根据筛选问题的答案对候选人进行排序,使申请人的良好配合率提高了7.45%,并将不良配合率降低了1.67%;申请人通过对问题的回答更有可能获得良好配合的工作建议评级的可能性提高了46%;而且有筛选问题的工作产生了一般1.9倍的招聘者与申请人的互动,以及2.4倍的与筛选合格申请人的互动。

“我们发现,筛选问题往往包含成员没有在个人资料中填写的信息。 在回答筛选问题的成员中,33%的成员没有在他们的个人资料中提供他们的教育信息。 更具体地说,拥有中等教育学位的人不太可能在他们的个人资料中列出。 至于语言,70%的成员没有在他们的个人资料中列出他们所说的语言(主要是母语)。 最后,37%的成员不包括特定工具的经验,“论文的合著者写道。 “简而言之,我们怀疑当人们在撰写他们的职业简介时,他们往往忽视招聘人员在筛选过程中非常看重的基本资格。 因此,与成员简介相比,筛选问题更好,直接信号为申请人筛选。

免责声明:本文由用户上传,如有侵权请联系删除!

猜你喜欢:

最新文章: