Bối cảnh và vấn đề nghiên cứu

Thị trường lao động tại Hoa Kỳ trong giai đoạn đầu năm 2024 ghi nhận nhiều biến động phức tạp về cơ cấu việc làm và nhu cầu tuyển dụng. Báo cáo từ tổ chức tư vấn nhân sự Challenger, Gray & Christmas, Inc. chỉ ra rằng các doanh nghiệp tại Hoa Kỳ đã công bố cắt giảm 64.789 việc làm trong tháng 4, giảm 28% so với mức 90.309 việc làm bị cắt giảm trong tháng 3 và giảm 3,3% so với con số 66.995 vào tháng 4 năm 2023. Tính lũy kế đến hết tháng 4, tổng số việc làm bị cắt giảm trên toàn thị trường đạt 322.043 vị trí, giảm 4,6% so với mức 337.411 vị trí cùng kỳ năm trước. Mặc dù số lượng cắt giảm có xu hướng chững lại, môi trường tuyển dụng vẫn duy trì mức độ cạnh tranh gay gắt, đặt ra áp lực lớn đối với nhóm ứng viên là sinh viên mới tốt nghiệp – những người thường thiếu kinh nghiệm chuyên môn thực tế và mạng lưới quan hệ nghề nghiệp.

Xuất phát từ thực trạng này, đồ án tốt nghiệp đại học ngành Phân tích Dữ liệu Kinh doanh (Business Data Analyst) tại Trường Quốc tế – Đại học Quốc gia Hà Nội của tác giả Hoàng Mạnh Linh, dưới sự hướng dẫn của PGS. TS. Trần Thị Oanh, tập trung giải quyết bài toán tư vấn và gợi ý việc làm cá nhân hóa cho sinh viên mới tốt nghiệp. Đề tài được triển khai với các mục tiêu và nhiệm vụ cụ thể:

  1. Thu thập, làm sạch và chuẩn hóa dữ liệu hồ sơ ứng viên (CV) và tin tuyển dụng (Job Description) từ nền tảng LinkedIn tại thị trường Hoa Kỳ.
  2. Ứng dụng các kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) nhằm trích xuất thông tin, gán nhãn thực thể, phân tích cú pháp và mô hình hóa chủ đề từ các đoạn văn bản dài trong CV và bản mô tả công việc.
  3. Xây dựng mô hình lọc dựa trên nội dung (Content-based Filtering) sử dụng kỹ thuật biểu diễn ma trận TF-IDF và thước đo độ tương đồng Cosine để tính toán mức độ tương thích giữa hồ sơ ứng viên và yêu cầu tuyển dụng.
  4. Triển khai thuật toán gợi ý đưa ra danh sách 5 công việc phù hợp nhất cho từng ứng viên dựa trên điểm tương đồng tổng hợp.

Phạm vi nghiên cứu tập trung vào thị trường lao động Hoa Kỳ, sử dụng mẫu dữ liệu thực tế từ mạng xã hội nghề nghiệp LinkedIn được trích xuất trong năm 2024.

Cơ sở lý thuyết và phương pháp

Nghiên cứu kết hợp nền tảng lý thuyết xử lý ngôn ngữ tự nhiên, học máy và hệ thống gợi ý để giải quyết bài toán khớp nối dữ liệu văn bản phi cấu trúc:

  • Xử lý ngôn ngữ tự nhiên (NLP): Áp dụng kỹ thuật tiền xử lý văn bản, tách từ (Tokenization), loại bỏ từ dừng (Stopwords removal) với thư viện NLTK, chuẩn hóa bảng mã tiếng Anh với Unidecode và dịch thuật đa ngữ bằng Googletrans.
  • Trọng số TF-IDF (Term Frequency – Inverse Document Frequency): Tính toán tầm quan trọng của các từ khóa trong tài liệu dựa trên tần suất xuất hiện cục bộ (TF) và nghịch đảo tần suất xuất hiện trong toàn bộ tập văn bản (IDF), tạo thành ma trận đặc trưng cho các trường thông tin.
  • Gán nhãn từ loại (POS Tagging) và Nhận dạng thực thể định danh (NER): Ứng dụng thư viện spaCy để phân tích cú pháp, trích xuất các danh từ (NOUN), danh từ riêng (PROPN) đóng vai trò bổ ngữ giới từ (pobj) thành nhóm "INTEREST" (kỹ năng, mối quan tâm); nhận diện các thực thể ORG (tổ chức), GPE (địa danh), PERSON (tên người) và nhãn "INTERNSHIP" từ các thực thể WORK_OF_ART chứa từ khóa "intern".
  • Mô hình hóa chủ đề LDA (Latent Dirichlet Allocation): Phân tích cấu trúc chủ đề ẩn từ ma trận TF-IDF của phần tóm tắt hồ sơ (Summary), phân chia dữ liệu thành 10 nhóm chủ đề nghề nghiệp đặc thù.
  • Mô hình lọc dựa trên nội dung (Content-based Filtering) và Độ tương đồng Cosine: Biểu diễn các trường thông tin của ứng viên và công việc thành các vector đặc trưng, sau đó đo góc cosin giữa hai vector $A$ và $B$ để xác định điểm tương đồng theo công thức:

$$\text{Cosine Similarity}(A, B) = \frac{A \cdot B}{|A| |B|} = \frac{\sum_{i=1}^{n} A_i B_i}{\sqrt{\sum_{i=1}^{n} A_i^2} \sqrt{\sum_{i=1}^{n} B_i^2}}$$

Nguồn dữ liệu thực nghiệm được cung cấp từ cơ sở dữ liệu lao động Hoa Kỳ của Công ty CiaoLINK (thuộc kho dữ liệu toàn cầu gồm 700 triệu hồ sơ LinkedIn), trong đó tác giả trích xuất mẫu gồm 25.000 bản ghi CV và 25.000 bản ghi tuyển dụng để thực nghiệm.

Tên tập dữ liệu Số lượng bản ghi Nguồn thu thập Các trường thông tin chính
cv.csv 25.000 LinkedIn (Hoa Kỳ) public_id, full_name, headline, location, summary, label_summary, salary, extracted_criteria
job.csv 25.000 LinkedIn (Hoa Kỳ) title, company_name, location, salary, job_function, seniority_level, employment_type, industries, description, extracted_criteria

Nội dung chính theo từng chương

Chương 1: Giới thiệu tổng quan (Introduction)

Chương 1 thiết lập cơ sở thực tiễn của đề tài thông qua các số liệu thống kê cắt giảm việc làm tại thị trường Hoa Kỳ trong 4 tháng đầu năm 2024. Tác giả phân tích những rào cản lớn mà sinh viên mới ra trường phải đối mặt khi gia nhập thị trường lao động có tính cạnh tranh cao. Chương này trình bày sơ đồ quy trình tổng thể của hệ thống gồm 4 bước nối tiếp: Thu thập dữ liệu thô (Raw Data) $\rightarrow$ Tiền xử lý và trích xuất đặc trưng văn bản bằng NLP (Data Processing) $\rightarrow$ Khớp nối hồ sơ và tin tuyển dụng bằng ma trận Content-based Filtering (Matching CV and JOB) $\rightarrow$ Gợi ý 5 công việc tối ưu nhất cho ứng viên (Recommend 5 JOB for CV).

Chương 2: Cơ sở lý thuyết (Theoretical Background)

Chương 2 trình bày có hệ thống các nguyên lý kỹ thuật cốt lõi:

  • Khái niệm và vai trò của NLP trong phân tích dữ liệu văn bản tuyển dụng.
  • Cơ chế toán học của TF-IDF trong việc chuẩn hóa độ dài văn bản và giảm thiểu ảnh hưởng của các từ ngữ xuất hiện quá phổ biến.
  • Kỹ thuật POS Tagging và NER trong việc bóc tách thông tin ngữ pháp và cấu trúc thực thể từ văn bản tự do.
  • Phương pháp gợi ý Content-based Filtering và thước đo khoảng cách Cosine Similarity.
  • Tổng quan các công trình liên quan: Hệ thống CareerRec của H. Al-Dossari và cộng sự (2020) cho sinh viên CNTT tại Ả Rập Xê Út; dự án mã nguồn mở linked-eed sử dụng chỉ số Jaccard Similarity; dự án NLP-Job-Recommendation sử dụng Selenium cào dữ liệu thời gian thực; và mô hình mạng nơ-ron Job-Recommendation-PJFNN trên tập dữ liệu Kaggle.

Chương 3: Tập dữ liệu và phân tích khám phá dữ liệu (Datasets & Explore Data Analysis)

Chương 3 trình bày chi tiết cấu trúc dữ liệu và các kết quả phân tích thống kê mô tả (EDA) trên 25.000 CV và 25.000 tin tuyển dụng:

  • Phân tích tập CV: Vị trí công việc phổ biến nhất trên tiêu đề hồ sơ là Kỹ sư phần mềm (Software Engineer), tiếp theo là Quản lý dự án (Project Manager), Nhà phát triển phần mềm (Software Developer), Sinh viên (Student) và Y tá đăng ký (Registered Nurse). Về phân bố địa lý toàn cầu, Vương quốc Anh và Hoa Kỳ chiếm ưu thế lớn nhất, tiếp theo là các thành phố công nghệ tại Ấn Độ (Mumbai, Pune, Bengaluru). Riêng tại Hoa Kỳ, vị trí Chuyên viên phân tích hành vi được chứng nhận (Board Certified Behavior Analyst) chiếm tỷ trọng cao nhất trong top 10 (18,2%), bên cạnh các vị trí Trợ lý pháp lý (9,1%), Chuyên viên tuyển dụng (9,1%) và Cố vấn học đường (9,1%).
  • Phân tích tập tin tuyển dụng:
    • Cấp bậc kinh nghiệm (Seniority Level): Vị trí mới bắt đầu (Entry-level) chiếm số lượng lớn nhất với gần 12.000 tin tuyển dụng; cấp trung - cao (Mid-senior level) đứng thứ hai với khoảng 8.000 tin; nhóm không yêu cầu xác định cấp bậc (Not Applicable) có khoảng 5.000 tin; các cấp bậc Giám đốc (Director) và Thực tập sinh (Internship) chiếm tỷ lệ rất thấp.
    • Hình thức làm việc (Employment Type): Toàn thời gian (Full-time) áp đảo với xấp xỉ 20.000 vị trí; bán thời gian (Part-time) có khoảng 5.000 vị trí; các hình thức hợp đồng (Contract), thời vụ (Temporary) và thực tập chiếm tỷ lệ nhỏ.
    • Chức năng công việc (Job Function): Quản lý và sản xuất (Management & Manufacturing) dẫn đầu với hơn 7.000 tin; Kinh doanh và phát triển thị trường (Sales & Business Development) đạt khoảng 5.000 tin; Chăm sóc y tế (Healthcare Provider) đạt khoảng 4.000 tin.
    • Chức danh tuyển dụng (Job Title): Hỗ trợ cửa hàng (Store Support) là vị trí có nhu cầu cao nhất với hơn 1.000 tin, theo sau là Tổng quản lý (General Manager), Nhân viên bán hàng và Thu ngân.
    • Địa điểm và Ngành nghề: New York (NY) và Albany (NY) là hai địa phương tập trung nhiều tin tuyển dụng nhất; Bán lẻ (Retail) là ngành có nhu cầu nhân lực lớn nhất (gần 5.000 tin), kế tiếp là Nhà hàng (Restaurant) và Y tế - Bệnh viện (Hospitals & Health Care).

Chương 4: Phương pháp nghiên cứu (Research Methodology)

Chương 4 mô tả chi tiết phương pháp xây dựng đường ống xử lý dữ liệu và thuật toán khớp nối:

  1. Mô hình hóa chủ đề với LDA: Trích xuất ma trận TF-IDF từ cột summary của CV, huấn luyện mô hình LDA để rút trích các phân phối xác suất từ - chủ đề ($\phi_k$), gán nhãn cho 10 cụm chủ đề nghề nghiệp.
  2. Kỹ thuật trích xuất cú pháp và thực thể bằng spaCy: Áp dụng bộ lọc POS tag (NOUN, PROPN thuộc quan hệ pobj) và NER (ORG, GPE, PERSON, WORK_OF_ART chứa intern) để tạo lập trường dữ liệu có cấu trúc extracted_criteria.
  3. Biểu diễn không gian vector và đo lường độ tương đồng: Chuyển đổi các cặp trường thông tin tương ứng giữa ứng viên và việc làm sang vector TF-IDF:
    • Cặp tiêu đề / nhãn: headline + label_summary (CV) đối chiếu với title (Job).
    • Cặp mức lương: salary (CV) đối chiếu với salary (Job).
    • Cặp địa điểm: location (CV) đối chiếu với location (Job).
    • Cặp tiêu chí trích xuất: extracted_criteria (CV) đối chiếu với extracted_criteria (Job).
  4. Hàm gợi ý (recommend_jobs): Kết hợp các điểm Cosine Similarity thành phần để tính điểm tổng hợp (Overall_Cosine_Score), sau đó tiến hành sắp xếp giảm dần và trích xuất top 5 công việc có điểm số cao nhất cho mỗi ứng viên.

Chương 5: Thực nghiệm và đánh giá (Experiments and Evaluation)

Chương 5 trình bày quá trình thực thi trên tập dữ liệu 25.000 bản ghi. Quy trình tiền xử lý xử lý các trường hợp CV đa ngữ bằng cách phát hiện và dịch tự động (như trường hợp CV viết bằng tiếng Bồ Đào Nha sang tiếng Anh) qua googletrans, chuẩn hóa địa danh qua unidecode, và lọc bỏ nhiễu bằng danh sách stopwords của NLTK. Kết quả gom cụm LDA chia văn bản tóm tắt hồ sơ thành 10 nhóm chủ đề rõ rệt:

Nhóm chủ đề (Topic) Tên lĩnh vực nghề nghiệp Các từ khóa và kỹ năng đặc trưng
Topic 1 Bất động sản & Truyền thông (Real Estate & Media) Quản lý tài sản, dịch vụ buồng phòng, thú y, truyền thông phát thanh
Topic 2 Kinh nghiệm chuyên môn & Quản lý (Professional Experience & Management) Kỹ năng quản lý đa ngành, lãnh đạo và điều hành chuyên nghiệp
Topic 3 Kỹ năng kỹ thuật & Đào tạo (Technical Skills & Training) Lập trình Laravel, PHP, khoa học tái tạo và đào tạo kỹ thuật
Topic 4 Kinh nghiệm kinh doanh & Làm việc nhóm (Business & Team Experience) Quản trị kinh doanh, phối hợp đội ngũ, tiếp thị chiến lược
Topic 5 Nghệ thuật sáng tạo & Thiết kế (Creative Arts & Design) Điện ảnh, âm nhạc, thiết kế đồ họa, kiến trúc, sản xuất video, nhiếp ảnh
Topic 6 Giáo dục & Chuyên ngành (Education & Specializations) Giáo dục đại học, nghiên cứu khoa học, luật học
Topic 7 Nghiên cứu học thuật (Academic Pursuits) Phân tích mô hình thông tin công trình (BIM), bệnh học, kỹ thuật in ấn
Topic 8 Xây dựng & Quản lý dự án (Construction & Project Management) An toàn lao động, kiểm soát dự án, vận hành thiết bị, khai khoáng
Topic 9 Kỹ thuật & Công nghệ (Engineering & Technology) Phát triển phần mềm, khoa học máy tính, phân tích dữ liệu, lập trình Python
Topic 10 Pháp lý & Luật (Legal & Law) Hành nghề luật, tranh tụng, thủ tục tòa án, luật tài sản, luật hình sự

Quá trình chạy hàm gợi ý trên các hồ sơ thực nghiệm (CV1, CV2, CV3) cho thấy hệ thống lọc chính xác các công việc có sự tương thích cao về tiêu đề, kỹ năng và vị trí địa lý.

Kết quả và đóng góp

  • Kết quả thực nghiệm:

    • Xử lý và chuẩn hóa thành công 25.000 hồ sơ ứng viên và 25.000 tin tuyển dụng từ LinkedIn.
    • Phân loại tự động phần mô tả năng lực bản thân của ứng viên thành 10 nhóm chủ đề nghề nghiệp thông qua mô hình kết hợp TF-IDF và LDA.
    • Trích xuất thành công các thuộc tính kỹ năng, mối quan tâm, kinh nghiệm thực tập và địa danh bằng việc kết hợp luật POS tagging và nhận diện thực thể NER từ thư viện spaCy.
    • Thiết lập ma trận tính toán độ tương đồng đa trường dữ liệu (tiêu đề, kỹ năng, địa điểm, mức lương), cho phép đưa ra bảng xếp hạng 5 công việc tương thích nhất kèm điểm số tương đồng Cosine cụ thể.
  • Đóng góp của đồ án:

    • Xây dựng hoàn chỉnh quy trình trích xuất đặc trưng văn bản phi cấu trúc từ dữ liệu tuyển dụng thực tế của doanh nghiệp (CiaoLINK).
    • Đề xuất giải pháp gợi ý việc làm đa tiêu chí kết hợp giữa mô hình hóa chủ đề (LDA), xử lý ngôn ngữ tự nhiên tầng sâu (spaCy POS/NER) và thuật toán lọc dựa trên nội dung (Content-based Filtering).
    • Cung cấp bức tranh toàn cảnh về nhu cầu tuyển dụng tại Hoa Kỳ năm 2024, chỉ ra cơ hội việc làm tập trung lớn ở phân khúc Entry-level (gần 12.000 vị trí) cho sinh viên mới ra trường.

Hạn chế và hướng nghiên cứu tiếp

  • Hạn chế:
    • Độ chính xác của gợi ý phụ thuộc lớn vào mức độ chi tiết của thông tin trong CV. Những hồ sơ có phần tóm tắt quá ngắn hoặc thiếu thông tin kỹ năng nhận được điểm tương đồng Cosine thấp, dẫn đến chất lượng đề xuất chưa tối ưu.
    • Thuật toán khớp nối dựa trên độ tương đồng từ vựng và không gian vector TF-IDF, chưa tận dụng sâu mối quan hệ ngữ nghĩa phức tạp hoặc ngữ cảnh sâu giữa các từ đồng nghĩa/trái nghĩa.
    • Đồ án mới triển khai mô hình Content-based Filtering, chưa kết hợp trọn vẹn mô hình Collaborative Filtering do hạn chế về dữ liệu lịch sử tương tác của người dùng.
  • Hướng nghiên cứu tiếp:
    • Tích hợp thêm kỹ thuật Collaborative Filtering để khai thác hành vi và sở thích của người dùng.
    • Ứng dụng các mô hình nhúng ngôn ngữ sâu (Deep Learning / Transformers / BERT) để nâng cao khả năng hiểu ngữ cảnh văn bản tuyển dụng.
    • Bổ sung dữ liệu tương tác thực tế từ các cổng tuyển dụng khác ngoài LinkedIn nhằm mở rộng phạm vi ứng dụng.

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho sinh viên các ngành Phân tích Dữ liệu Kinh doanh (Business Data Analyst), Khoa học Dữ liệu (Data Science) và Công nghệ Thông tin đang thực hiện các đề tài về hệ thống gợi ý (Recommendation Systems) và khai phá dữ liệu văn bản (Text Mining). Các nội dung có giá trị ứng dụng cao gồm:

  • Quy trình tiền xử lý và làm sạch dữ liệu văn bản thực tế từ mạng xã hội LinkedIn (xử lý dữ liệu đa ngôn ngữ, chuẩn hóa mã ký tự).
  • Cách thức kết hợp thư viện spaCy (POS Tagging và NER) để bóc tách tiêu chí tuyển dụng từ các đoạn văn bản dài.
  • Cấu trúc thuật toán tính toán ma trận tương đồng Cosine đa trường thông tin để xếp hạng đề xuất trong bài toán tuyển dụng.

Câu hỏi thường gặp

1. Nguồn dữ liệu sử dụng trong khóa luận được lấy từ đâu và có quy mô như thế nào? Dữ liệu nghiên cứu do Công ty CiaoLINK cung cấp trong quá trình tác giả thực tập, được trích xuất từ cơ sở dữ liệu lao động Hoa Kỳ trên nền tảng LinkedIn (nằm trong tổng thể 700 triệu hồ sơ LinkedIn toàn cầu). Bộ dữ liệu thực nghiệm bao gồm 25.000 mẫu CV ứng viên và 25.000 mẫu tin tuyển dụng của các doanh nghiệp.

2. Phân tích khám phá dữ liệu (EDA) cho thấy cấp bậc kinh nghiệm nào chiếm số lượng lớn nhất trong các tin tuyển dụng? Theo kết quả phân tích trong đồ án, vị trí mới bắt đầu (Entry-level) chiếm ưu thế lớn nhất với gần 12.000 tin tuyển dụng, tiếp theo là cấp trung - cao (Mid-senior level) với khoảng 8.000 tin tuyển dụng, và nhóm không xác định cấp bậc (Not Applicable) với khoảng 5.000 tin tuyển dụng.

3. Tác giả sử dụng các kỹ thuật NLP nào để xử lý phần tóm tắt (Summary) và trích xuất tiêu chí từ CV? Tác giả sử dụng NLTK để loại bỏ từ dừng (stopwords), kết hợp TfidfVectorizer và mô hình LDA để gom cụm nội dung tóm tắt thành 10 chủ đề nghề nghiệp. Đồng thời, tác giả ứng dụng spaCy để phân tích từ loại (POS Tagging) nhằm trích xuất kỹ năng/sở thích (INTEREST) và nhận dạng thực thể (NER) nhằm phân loại tổ chức, địa danh, tên người và thông tin thực tập.

4. Điểm số tương đồng tổng hợp giữa ứng viên và công việc được tính toán dựa trên những trường dữ liệu nào? Điểm tương đồng Cosine tổng hợp (Overall_Cosine_Score) được xây dựng từ việc so khớp các vector TF-IDF của 4 cặp trường thông tin: tiêu đề và nhãn chủ đề (headline + label_summary so với title), mức lương (salary), địa điểm làm việc (location), và các tiêu chí trích xuất từ văn bản (extracted_criteria).

Kết luận

Khóa luận tốt nghiệp của tác giả Hoàng Mạnh Linh đã giải quyết bài toán tư vấn việc làm cho sinh viên mới tốt nghiệp thông qua việc kết hợp các kỹ thuật xử lý ngôn ngữ tự nhiên và mô hình lọc dựa trên nội dung. Bằng việc thực nghiệm trên tập dữ liệu thực tế gồm 25.000 CV và 25.000 tin tuyển dụng LinkedIn tại Hoa Kỳ từ CiaoLINK, hệ thống đã chuẩn hóa thành công quy trình trích xuất đặc trưng đa tiêu chí và đưa ra top 5 gợi ý việc làm có độ tương thích cao. Công trình thể hiện tính ứng dụng rõ nét của ngành Phân tích Dữ liệu Kinh doanh trong việc hỗ trợ người lao động định hướng nghề nghiệp và tối ưu hóa quy trình kết nối nhân lực trên thị trường việc làm hiện đại.