Personalised Job Recommendations: A Content-Based Recommender System Using Deep Learning

Abstract

Internett og teknologi har utviklet seg raskt, noe som har ført til at mye av starten av jobbsøknadsprosessen har flyttet seg online. Tidligere pleide folk å finne jobber i aviser, men nå legges de fleste stillingsannonsene ut på nettet. Denne endringen har ført til en økning i mengden data som genereres, med tusenvis av stillingsannonser og CV-er tilgjengelig. Dette kan være skremmende og frustrerende for mange jobbsøkere, som må navigere seg gjennom havet av informasjon for å finne jobber som passer deres ekspertise og preferanser.

Det har blitt gjort betydelig forskning for å utvikle systemer som kan forbedre jobbsøknadsprosessen, spesielt jobb anbefalingssystemer. Disse studiene har produsert effektive algoritmer og modeller for å tilby personaliserte jobbanbefalinger. Imidlertid har det vært begrenset forskning på hvordan slike systemer bør designes sett fra et menneske-maskin interaksjonsperspektiv. Denne masteroppgaven har som mål å fylle disse manglene. For å adressere dette, ble følgende overordnede forskningsspørsmål formulert, sammen med to underforskningsspørsmål:

Forskningspørsmål 1 Hvordan kan språkbehandling forbedre jobbsøknadsprosessen?

Underforskningsspørsmål 1 Hvordan kan et jobb anbefalingssystem utvikles og implementeres for å effektivt matche kandidaters CV-er med stillingsannonser, spesielt innen IT-sektoren?

Underforskningsspørsmål 2 I hvilken grad overgår effektiviteten til et personalisert jobb anbefalingssystem konvensjonelle moderne søkemetoder innenfor en stillingsannonse plattform?

For å svare på forskningsspørsmålene ble det utført en design science forskningsmetode, som involverte utviklingen av en artefakt. Denne artefakten endte oppp med å bli en content-basert anbefalingssystem ved bruk av dyp læring. Gjennom design, utvikling, demonstrasjon og evaluering av artefakten ble fire designprinsipper formulert for å tilby retningslinjer om hvordan slike systemer bør designes. Disse prinsippene bidrar til forskningsfeltet ved å identifisere potensielle utfordringer og ønsker hos jobbsøkere med dagens verktøy for jobbsøking, basert både på teoretisk forskning og empiriske data.

With the growth of the internet and technology, much of the initial job search process has moved online. In the past, people used to find jobs in newspapers, but now, the majority of job ads are posted online. This shift has led to an increase in the amount of data generated, resulting in thousands of job ads and resumes. This can be intimidating and frustrating for job seekers as they navigate through the sea of information to find the right jobs that match their expertise and preferences.

Considerable research has been conducted to develop systems that support and enhance the job search process, specifically job recommender systems. These studies have produced effective algorithms and models to facilitate personalised job recommendations, addressing the challenge of information abundance. However, there has been limited research on how such systems should be designed from the perspective of human-machine interaction. This thesis aims to bridge this gap. To address this, the following overarching research question was formulated, along with two sub-research questions:

Research question 1 How can natural language processing improve the job searching process?

Sub-research question 1 How can a job recommender system be developed and implemented to effectively match candidate resumes with multiple job posts, particularly in the context of the IT sector?

Sub-research question 2 To what extent does the efficacy of a personalised job recommender system outperform conventional modern search methods within a job advertisement platform?

To answer the research questions, a design science research approach was conducted, which involved the development of an instantiation artefact. This artefact took the form of a content-based recommender system using deep learning. Through the design, development, demonstration, and evaluation of the artefact, four design principles were formulated to offer guidelines on how such systems should be designed. These principles contribute to the research field by identifying the potential struggles and desires of job seekers with current job search tools, which are grounded in both theoretical research and empirical data.