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?

Abstract

Selecting the best candidate for a job position is a challenging topic that has been gaining interest in research and practice. This has led to increasingly more complex models, algorithms and techniques exploiting natural language processing, semantic similarity, and machine learning. This thesis complements this work by taking a step back and focusing on how to better exploit available data in order to further improve model performance. In particular, we empirically evaluate the notion of using “local” models for subsets of the data having similar characteristics (job descriptions) as opposed to using a single, complex “Global Model.” Using job candidate and description data, we found that local models perform better than the global models in terms of precision and recall, with median improvements up to 11.64%. If we substitute the under-performing models with the global model, thus creating a hybrid local model, the difference becomes significant. Our results suggest that local models for job recommendation brings performance advantages in terms of precision and recall over a global model, motivating further research in local models for job recommendation.