Система оцінювання кандидатів для підбору вакансій за допомогою алгоритмів колаборативного фільтрування

Abstract

У представленій магістерській кваліфікаційній роботі вирішуються задачі автоматизації підбору вакансій на основі алгоритмів колаборативного та гібридного фільтрування у контексті побудови високонавантажених рекрутингових платформ. Актуальність теми зумовлена необхідністю підвищення ефективності процесу найму в умовах стрімкого зростання обсягів цифрових даних та вимог до персоналізації. Метою дослідження є розробка рекомендаційної системи, що здатна формувати релевантні пропозиції кандидатам з урахуванням неявного зворотного зв’язку та історії взаємодій, використовуючи методи колаборативного та гібридного фільтрування. У роботі проаналізовано переваги моделей на основі матричної факторизації, зокрема алгоритму ALS (Alternating Least Squares), а також методу фільтрації на основі вмісту TF-IDF (Term Frequency – Inverse Document Frequency). Систему реалізовано у вигляді автономних незалежних програмних компонентів за допомогою мікросервісної архітектури з використанням технологічного інструментарію Python, Flask, Java, Spring Boot та PostgreSQL, що забезпечує масштабованість, відмовостійкість, гнучку інтеграцію та полегшує подальшу підтримку програмного продукту. Проведено аналіз метрик точності й продуктивності розробленої моделі, на основі якого зроблено висновок про відповідність отриманих результатів поставленим завданням та вимогам. Практичне значення роботи полягає у створенні універсального інструменту для рекрутингових платформ, здатного зменшити час на підбір персоналу, підвищити релевантність пропозицій та оптимізувати витрати на інфраструктуру за рахунок хмарної мікросервісної реалізації. Загальний обсяг роботи становить 77 сторінок.

The presented master's thesis solves the problems of automating the selection of vacancies based on collaborative and hybrid filtering algorithms in the context of building high-load recruiting platforms. The relevance of the topic is driven by the need to improve the efficiency of the recruitment process in the face of rapid growth in digital data and personalization requirements. Research aims to develop a recommendation system that is able to generate relevant offers to candidates, taking into account implicit feedback and interaction history, using collaborative and hybrid filtering methods. The paper analyses the advantages of models based on matrix factorization, particularly the ALS (Alternating Least Squares) algorithm, as well as the TF-IDF (Term Frequency – Inverse Document Frequency) content filtering method. System is implemented as autonomous, independent software components through a microservice architecture using the technological tools Python, Flask, Java, Spring Boot and PostgreSQL, which provides scalability, fault tolerance, flexible integration and facilitates further support of the software product. An analysis of the accuracy and performance metrics of the developed model is carried out, on the basis of which it is concluded that the results obtained meet the tasks and requirements. The practical significance of the work lies in creating a universal toolset for recruiting platforms that can reduce the time for personnel selection, increase the relevance of offers and optimize infrastructure costs due to cloud microservice implementation. The total volume of the work is 77 pages. Index terms: recommender system, collaborative filtering, ALS model, TF-IDF, microservice architecture.