Evaluating recommendation and search in the labor market

این مطالعه، محبوب ترین الگوریتم های پیشنهاد دهنده را برای استفاده در هر دو طرف بازار کار ارزیابی می کند: توصیه های شغلی و توصیه شغلی. تحقیقات اخیر نشان می دهد نقاط ضعف تمرکز تنها بر قدرت پیش بینی در هنگام ارزیابی سیستم های توصیه می شود، که به ویژه در توصیه های شغلی و شغلی نشان داده شده است، جایی که جنبه هایی از جمله متقابل و گسترش آیتم، دو معیار عملکرد دیگر برای کیفیت توصیه ها هستند. علاوه بر ارزیابی با استفاده از این معیارهای اضافی، توصیه ما را با جستجو با استفاده از موتورهای جستجوی متن آزاد مقایسه می کنیم. ما اندازه گیری آنچه که به دست آورده است و چه چیزی از بین می رود زمانی که مواد مصرفی (شغل و شغلی) با استفاده از جستجو در مقابل اقلام ارائه شده از طریق یک سیستم پیشنهاد دهنده بازیابی می شوند. براساس آمار بینش در توصیه نامه تاریخ، ما پیشنهاد می کنیم تغییرات در ساختن ماتریس رتبه بندی با هدف کاهش خطاهای توصیه در بازار کار پیشنهاد کنیم. نتایج ما، از آزمایش های گسترده ای در سه مجموعه داده جمع آوری شده از خدمات اشتغال عمومی دولتی فلانی، به دست آمده است، نشان می دهد که الگوریتم های توصیه کننده محبوب به طور قابل توجهی بدتر از جستجوی کاربر از لحاظ متقابل هستند. علاوه بر این، ما نشان می دهیم که با مبادله ماتریس های رتبه بندی بین دو طرف یک متن پیشنهادی متقابل، ما می توانیم نتایج جستجو را از لحاظ متقابل، با استفاده از محدودیت در قدرت پیش بینی، بهتر کنیم. بینش های این تحقیق می تواند به بازیگران در بازار کار کمک کند تا موقعیت توصیه های نسبت به جستجو را بهتر درک کنند و توصیه های شغلی بهتر و توصیه های شغلی ارائه دهند.