تتطلب المنصات الإلكترونية للتوظيف أنظمة توصية قادرة على استرجاع فرص العمل ذات الصلة من بين مجموعات هائلة ومتنوعة من إعلانات الوظائف. ورغم أن البحث القائم على الكلمات الرئيسية (Keyword-based search) يعتبر فعالًا من حيث الأداء وسهل الفهم، إلا أنه قد يفشل أحيانًا في استرجاع الإعلانات المماثلة عندما يتم التعبير عن الأدوار المعادلة بعبارات مختلفة.

لذا يقدم الباحثون نظام توصية للوظائف يعتمد على البيانات الوصفية، حيث يجمع بين تقنيات المطابقة المعجمية (TF-IDF)، والاسترجاع الدلالي باستخدام نموذج Sentence-BERT، وتصفية الاستعلام الذكي، وإعادة ترتيب Cross-Encoder الاختيارية، وتوليد الشرح.

يستخدم النظام بيانات وصفية منظمة تشمل عنوان الوظيفة، اسم الشركة، الموقع، مستوى الأقدمية، نوع الوظيفة، نوع التوظيف، والصناعة، دون الاعتماد على الأوصاف الكاملة للوظائف أو سجلات تفاعل المستخدم.

الأبحاث التي أجريت على مجموعة بيانات نظيفة من إعلانات الوظائف في لينكيد إن، والتي تحتوي على 31262 سجل، أظهرت أن أفضل تكوين هجين حقق درجة دقة عند 10 (Precision at 10) تبلغ 0.8032 ودرجة nDCG عند 10 تبلغ 0.9496. ومن خلال استخدام بروتوكول التقييم الداخلي، ساهم إعادة ترتيب Cross-Encoder في تحسين دقة النتيجة من 0.7896 إلى 0.7948 وnDCG من 0.9666 إلى 0.9739.

هذه النتائج تشير إلى أن تقنيات الاسترجاع المعجمية والدلالية يمكن دمجها بشكل فعال لتقديم توصيات للوظائف قابلة للتفسير عندما تتوفر فقط البيانات الوصفية المنظمة.

إذا كنت تبحث عن وظيفة أو تريد معرفة المزيد عن كيف يمكن للتكنولوجيا الحديثة تحويل تجربة التوظيف، فعليك بالتأكيد متابعة تطورات هذه الأنظمة المثيرة!