Improving Job Allocation Transparency: A Skill-Ontology Approach
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Master's thesis
Authors
Date
2024-12-20
Department
Major/Subject
Applied Mathematics
Mcode
Degree programme
Master's Programme in Mathematics and Operations Research
Language
en
Pages
46
Series
Abstract
In today's competitive job market, effective job allocation is crucial for both employers and job seekers. Despite extensive research supporting the benefits of skill-based hiring, many organizations still evaluate candidates primarily based on job titles and prior work experience. This approach often overlooks the actual competencies and potential of candidates, leading to suboptimal hiring decisions. A key challenge in matching job descriptions with resumes is the inconsistent terminology used for skills. By using a predefined ontology, we process resumes and job descriptions with Natural Language Processing (NLP) techniques and employ Large Language Model (LLM) to extract both explicit and implicit skills from candidate resumes and job descriptions, aligning them with terminology of our chosen skills ontology. We introduce a bilateral matching framework that utilizes skill ontology, framing the job matching problem within graph theory. In this framework, candidates and job positions are represented as nodes in a bipartite graph, with edges indicating recommendations between candidates and jobs. Our approach aims to improve the transparency of the hiring process. We evaluated the effectiveness of our methods by comparing various retrieval algorithms. The results indicate the impact of retrieval methods on candidate-job matches where data preprocessing seem to play larger role than the matching algorithm itself. Integration of skills ontology into the matching process improves the transparency of candidate-job matches, effectively bridging the gap in terminology between candidates and jobs.Nykyisessä kilpailullisessa työmarkkinassa on tärkeää, että työpaikat jaetaan tehokkaasti sekä työnantajille että työnhakijoille. Vaikka on paljon tutkimusta, joka tukee taitopohjaista rekrytointia, monet organisaatiot arvioivat edelleen ehdokkaita pääasiassa työtehtävien nimikkeiden ja aiemman työkokemuksen perusteella. Tämä tapa unohtaa usein ehdokkaiden todelliset taidot ja potentiaalin, mikä johtaa huonoihin rekrytointipäätöksiin. Yksi haaste työpaikkakuvausten ja ansioluetteloiden yhteensovittamisessa on se, että niissä käytetään vaihtelevaa sanastoa. Käyttämällä ennalta määriteltyä sanastoa käsittelemme ansioluetteloita ja työpaikkakuvausta luonnollisen kielen käsittelyn (NLP) avulla ja hyödynnämme suuria kielimalleja (LLM) saadaksemme esiin sekä suoraan että välillisesti ilmaistut taidot ehdokkaiden ansioluetteloista ja työpaikkakuvauksista. Socitamme ne valitsemamme taito-ontologian terminologiaan. Tarkastelemme tuloksia kaksisuuntaisen "matching"-verkon avulla. Tässä mallissa ehdokkaat ja työpaikat esitetään solmuina , ja linkit osoittavat suosituksia kandidaattien ja työpaikkojen välillä. Tavoitteemme on vähentää parantaa rekrytointiprosessin läpinäkyvyyttä. Arvioimme menetelmiemme tehokkuutta vertaamalla erilaisia hakualgoritmeja. Tulokset osoittavat, että hakumenetelmillä on selkeä merkitys ehdokkaiden ja työpaikkojen yhteensovittamisessa, ja että se kuinka dataa on esikäsitelty vaikuttaa enemmän kuin itse yhteensovittamisalgoritmi. Ontologian integroiminen yhteensovittamisprosessiin parantaa ehdokkaiden ja työpaikkojen yhteensovittamisen läpinäkyvyyttä, mikä auttaa ylittämään terminologian eroja ehdokkaiden ja työpaikkojen välillä.Description
Supervisor
Oliveira, FabricioThesis advisor
Dias, FernandoKeywords
job matching, skill ontology, Natural Language Processing (NLP), Large Language Model (LLM), skill-based hiring, graph theory