A fair multi-stakeholder job market recommender leveraging personality

Abstract

Die Diplomarbeit präsentiert eine Methode, die eine verbesserte Modellierung von Berufspräferenzen in der Empfehlung von Berufen mit Hilfe psychologischer Merkmale ermöglicht. Es werden 11 short-text clustering-Methoden miteinander verglichen, um Freitext-Job-Titel von Lebensläufen in Berufsrollen zu aggregieren, um beispielsweise Java Developer und Java Engineer zu gruppieren. Basierend darauf wird das Modell "Topic Modelling based on Keywords and Context" von Schneider et al. (2018) ausgewählt und auf Lebensläufe von 200.000 LinkedIn-Benutzer angewendet, die Berufswechsel und Fähigkeiten beeinhalten. Mit diesem Datensatz wird ein Deep-Learning-Modell erzeugt, dass die Empfehlung von beruflichen Stellen und Fähigkeiten basierend auf vorherigen beruflichen Stellen und Fähigkeiten und beruflichen Stellen auf Basis von psychologischen Merkmalen zu empfehlen. Die Ergebnisse zeigen eine Verbesserung der Empfehlung von Stellen anhand von vorherigen Stellen und Fähigkeiten des Datensatzes (Hit@10: +5.5%, mRR: +1.9%) und der Fähigkeiten (Hit@10: +5.5%, mRR: +1.9%) verglichen mit den Embeddings eines Referenzmodells. Allein auf Basis von psychologischen Merkmalen kann eine Hit@10-Rate von 34.3% und mRR-Rate von 22.3% erreicht werden. Zusätzlich wird ein Fairness-Algorithmus zur Verfügung gestellt, der es erlaubt die Exposure-Fairness von anbieterseitigen Attributen gierig zu optimieren, während die Performance erhalten bleibt. Dies erlaubt es die Existenz mehrere Interessenträger anzuerkennen.

This thesis presents a method which allows to improve the modelling of users' job preferences in job recommendations by leveraging psychological traits. 11 short-text clustering methods are compared with each other for the statistical aggregation of free-text job titles in resumes to occupational job roles. This allows to group job titles as Java Developer and Java Engineer. Based on the results the model "Topic Modelling based on Keywords and Context" by Schneider et al. (2018) is selected and applied to a LinkedIn resume data set that contains job-role-transition and skills of over 200,000 LinkedIn users. With the data set a deep learning model is created that allows to recommend jobs and skills based on jobs, skills and jobs based on psychological traits. The results show an improvement when recommending next jobs based on previous jobs and skills in the LinkedIn resumes (Hit@10: +5.5%, mRR: +1.9%) and skills (Hit@10: +21.3%, mRR: +17.1%) compared to the embeddings of a reference model. A Hit@10 of 34.3% and mRR of 22.3% can be reached when recommending jobs based on psychological traits. Furthermore a fairness algorithm is provided that allows to greedily optimise the exposure fairness of producer side attributes while keeping performance. This allows to take the existence of multiple stakeholders into account.