Local VS. Global Models for Job-Candidate Matching

Avec le développement des technologies de l'information et la croissance continue du marché du recrutement électronique, l'automatisation du processus de sélection pour trouver le meilleur candidat pour un poste a suscité l'intérêt des chercheurs et des ingénieurs en logiciels ce qui a conduit au développement de modèles complexes, d'algorithmes et de techniques qui exploitent le traitement du langage naturel, la similitude sémantique et l'apprentissage automatique. Cette thèse vise à compléter ce travail, en se concentrant sur la façon d'exploiter les données existantes pour améliorer les performances. Nous évaluons la notion de modèles locaux qui sont des modèles personnalisés construits dans des sous-ensembles de données connexes ayant des caractéristiques similaires. Pour l'évaluation, nous la comparons avec les modèles globaux qui sont un modèle complexe unique sans classification préalable. Pour ce faire, nous avons travaillé avec Airudi, une société de ressources humaines Française Canadienne qui nous a fourni des données réelles que nous utilisons pour construire notre cas d'étude où nous répondons aux questions de recherche suivantes : RQ1. Comment les modèles globaux se comparent-ils en performance aux modèles locaux? RQ2. Comment la précision et le rappel fonctionnent-ils sur différents seuils?