A framework for HR analytics based on deep neural networks

In the last decades, the advent of new technologies gives a great support to the companies in their search for new employees. These instruments changed the approach to job search thanks to new introduced channels, such as social networks and online job boards, through which candidates can be known by companies and find new job opportunities. However, this progress, resulting faster and easier for applicants, brings to an increasing number of résumés that recruiters receive and, consequently, to an exponential growth of the time dedicated by Human Resources staff to documents screening, reviewing each résumé in order to identify the candidate that best fits to the open job position. The goal of this thesis is to develop a model for text representation, based on deep learning techniques. Our model fits into the context of Information Retrieval given by the search engine we thought as instrument to support the recruiters in the initial phase of the hiring process. After performing a study on the existing solutions about HR Analytics in literature and available on the market, and after applying to our problem the most relevant approaches of text mining, we work on realize a new model that fits better to the type of documents we have and to the final users’ needs, using deep learning methods. Finally, we compare our model with one of the traditional ones, selected after a deep analysis on the registered performance, through an A/B test applied to search engine. In this way, also thanks to the help of recruiters who, during their searches, gave us relevance feedback for the results, we evaluate the goodness of our approach.

Negli ultimi decenni, l’avvento di nuove tecnologie ha fornito un grande supporto alle aziende nella ricerca di nuovi dipendenti. Esse hanno cambiato l’approccio alla ricerca del lavoro introducendo nuovi canali, come i social network e i portali di annunci online, attraverso cui i candidati possono farsi conoscere dalle aziende e trovare nuove opportunità lavorative. Questo progresso tuttavia, risultando più rapido e di facile accesso, comporta un numero sempre crescente di curricula che i recruiters ricevono e, di conseguenza, un aumento esponenziale del tempo che essi devono dedicare al loro screening, passando in rassegna ogni singolo curriculum al fine di identificare il miglior candidato per la posizione aperta. L’obiettivo di questa tesi è quello di sviluppare un modello per la rappresentazione del testo in forma vettoriale, basandoci su tecniche di deep learning. Il modello si inserisce nel contesto dell’Information Retrieval dato dal motore di ricerca che abbiamo pensato come strumento di supporto al personale delle risorse umane nella prima fase del processo di assunzione. Dopo uno studio sulle soluzioni esistenti in letteratura e sul mercato nell’ambito HR Analytics, e dopo aver applicato al nostro problema i modelli principali di text mining, ci siamo occupati di elaborare un nuovo modello che si adattasse meglio al tipo di documenti a disposizione e alle esigenze del nostro utente finale, utilizzando strumenti di deep learning. Infine abbiamo eseguito un confronto tra il nostro modello e uno dei metodi tradizionali, scelto in seguito ad un’analisi accurata delle performance registrate, attraverso un A/B test applicato al nostro framework. In questo modo, grazie all’aiuto dei recruiters che, durante le loro ricerche, ci hanno fornito dei feedback, abbiamo potuto valutare la bontà del nostro lavoro.