Nghiên cứu và phát triển hệ thống gợi ý việc làm trực tuyến cho đô thị

Luận văn thạc sĩ phân tích máy tính nghiên cứu và phát triển hệ thống gợi ý việc làm trực tuyến dựa trên đô thị, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả thi cho

• Tác giả: Trần Quang Minh
• Người hướng dẫn: PGS. Thoại Nam
• Trường học: Đại học Bách Khoa - ĐHQG TP. HCM
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Nghiên Cứu Và Phát Triển Hệ Thống Gợi Ý Việc Làm Trực Tuyến Dựa Trên Đồ Thị
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CÁM ƠN
• TÓM TẮT LUẬN VĂN
• LỜI CAM ĐOAN CỦA TÁC GIẢ
• MỤC LỤC
• DANH MỤC HÌNH, BẢNG BIỂU VÀ GIẢI THUẬT
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Nhiệm vụ luận văn
• 1.2. Mục tiêu, đối tượng, giới hạn nghiên cứu và phương pháp nghiên cứu
• 1.3. Hướng giải quyết bài toán
• 2. CHƯƠNG 2: BÀI TOÁN GIỚI THIỆU VIỆC LÀM
• 2.1. Các nghiên cứu liên quan
• 2.2. Mô tả bài toán
• 2.3. Phân chia giai đoạn giải quyết bài toán
• 2.4. Mô hình hoá bài toán
• 3. CHƯƠNG 3: GIẢI PHÁP GỢI Ý
• 3.1. Phương pháp TF-IDF và độ tương tự cosine
• 3.2. Phân tích và tổng hợp thông tin dữ liệu của người tìm việc và việc làm
• 3.3. Gom cụm người dùng
• 3.3.1. Lựa chọn K-means cho bài toán phân cụm văn bản (text clustering)
• 3.3.2. Giải quyết các vấn đề của K-means
• 3.4. Giải pháp gợi ý dựa trên trùng khớp hồ sơ (Profile-Match Recommendation Approach) – ProMat
• 3.4.1. Giả định cho tập dữ liệu theo hướng trùng khớp hồ sơ
• 3.4.2. Mô tả giải thuật gợi ý ProMat
• 3.5. Giải pháp gợi ý dựa trên tương đồng hồ sơ (Profile-Similar Recommendation Approach) – ProSim
• 3.5.1. Giả định cho tập dữ liệu theo hướng tương đồng hồ sơ
• 3.5.2. Mô tả giải thuật gợi ý ProSim
• 4. CHƯƠNG 4: QUÁ TRÌNH XỬ LÝ TRỰC TUYẾN (ONLINE)
• 4.1. Lựa chọn giải thuật Greedy
• 4.2. Đề xuất cải thiện gợi ý dựa trên giải thuật Greedy
• 5. CHƯƠNG 5: ĐÁNH GIÁ KẾT QUẢ
• 5.1. Bộ dữ liệu
• 5.1.1. Nguồn dữ liệu
• 5.1.2. Tổng hợp và lấy mẫu dữ liệu huấn luyện (train) và kiểm thử (test)
• 5.1.3. Tiền xử lý dữ liệu (Data preprocessing)
• 5.2. Hiện thực hệ thống
• 5.2.1. Công cụ hiện thực
• 5.2.2. Cách thức hiện thực và đánh giá
• 5.3. Đánh giá giải thuật
• 5.3.1. Kịch bản đánh giá
• 5.3.2. Phương pháp đánh giá
• 5.3.3. Kết quả với giải pháp sử dụng Simple Greedy
• 5.3.4. Đánh giá giải pháp gợi ý ProMat
• 5.3.5. Giải thuật giải pháp gợi ý ProSim
• 5.4. Tổng hợp và bàn luận
• 6. CHƯƠNG 6: KẾT LUẬN
• 6.1. Tổng kết
• 6.2. Hạn chế của luận văn
• 6.3. Hướng tiếp cận trong tương lai
• TÀI LIỆU THAM KHẢO
• LÝ LỊCH TRÍCH NGANG
• QUÁ TRÌNH ĐÀO TẠO
• QUÁ TRÌNH CÔNG TÁC
• DANH MỤC HÌNH, BẢNG BIỂU VÀ GIẢI THUẬT

Tóm tắt

I. Giới thiệu hệ thống gợi ý việc làm trực tuyến

Hệ thống gợi ý việc làm trực tuyến là một công cụ quan trọng trong việc kết nối người tìm việc và nhà tuyển dụng. Các hệ thống này sử dụng công nghệ để phân tích dữ liệu và đưa ra các gợi ý việc làm phù hợp với nhu cầu của người dùng. Đặc biệt, trong bối cảnh phát triển nhanh chóng của công nghệ thông tin, việc áp dụng các giải thuật hiện đại như Greedy trong bài toán tìm kiếm việc làm đã trở thành xu hướng chủ đạo. Hệ thống này không chỉ giúp người tìm việc nhanh chóng tìm ra các cơ hội nghề nghiệp mà còn hỗ trợ nhà tuyển dụng trong việc tìm kiếm ứng viên tiềm năng. Theo nghiên cứu, việc cải thiện độ chính xác trong các gợi ý việc làm có thể nâng cao đáng kể uy tín của hệ thống, từ đó thu hút nhiều người dùng hơn.

1.1. Nhu cầu và tầm quan trọng của hệ thống gợi ý

Trong thời đại số hóa hiện nay, nhu cầu tìm kiếm việc làm ngày càng gia tăng, đặc biệt là trong các đô thị lớn. Hệ thống gợi ý việc làm trực tuyến cung cấp một phương tiện hiệu quả để người tìm việc có thể tiếp cận nhanh chóng với các cơ hội nghề nghiệp phù hợp. Hệ thống này không chỉ giúp tiết kiệm thời gian cho người tìm việc mà còn tăng cường khả năng kết nối nhà tuyển dụng với những ứng viên tiềm năng. Việc áp dụng công nghệ hiện đại trong việc tìm kiếm việc làm cho phép các bên liên quan có thể đưa ra quyết định nhanh chóng và chính xác hơn. Do đó, việc phát triển và cải thiện các hệ thống gợi ý việc làm trở thành một nhiệm vụ cấp bách trong bối cảnh hiện tại.

II. Các phương pháp gợi ý việc làm

Các phương pháp gợi ý việc làm hiện nay chủ yếu được chia thành hai loại: dựa trên nội dung (content-based) và dựa trên hành vi (behavioral). Phương pháp dựa trên nội dung thường sử dụng các đặc điểm của công việc và hồ sơ người tìm việc để đưa ra gợi ý việc làm. Trong khi đó, phương pháp hành vi tập trung vào phân tích hành vi của người dùng để tìm ra các mẫu và xu hướng. Việc kết hợp cả hai phương pháp này có thể tạo ra một hệ thống gợi ý mạnh mẽ hơn, giúp tăng cường độ chính xác và uy tín của các gợi ý việc làm. Các nghiên cứu gần đây đã chỉ ra rằng việc sử dụng các giải thuật như ProMat và ProSim có thể cải thiện đáng kể hiệu quả của hệ thống gợi ý, từ đó đáp ứng nhu cầu ngày càng cao của thị trường lao động.

2.1. Phương pháp ProMat

ProMat là một phương pháp gợi ý dựa trên trùng khớp hồ sơ, cho phép hệ thống tìm kiếm và so sánh các đặc điểm của người tìm việc với các yêu cầu của công việc. Phương pháp này không chỉ giúp nâng cao độ chính xác của các gợi ý việc làm mà còn tạo ra sự phù hợp tốt hơn giữa người tìm việc và nhà tuyển dụng. Bằng cách sử dụng các thuật toán phân tích dữ liệu, ProMat có thể xác định những công việc có khả năng nhận được sự quan tâm cao nhất từ người tìm việc, từ đó tăng cường uy tín cho hệ thống gợi ý.

2.2. Phương pháp ProSim

ProSim là một phương pháp gợi ý dựa trên tương đồng hồ sơ, tập trung vào việc tìm kiếm các ứng viên có hồ sơ tương tự với yêu cầu của công việc. Phương pháp này giúp hệ thống không chỉ gợi ý các công việc phù hợp mà còn tăng cường khả năng tìm kiếm việc làm cho những người có hồ sơ tương đồng. Việc áp dụng ProSim trong hệ thống gợi ý giúp tạo ra một mạng lưới kết nối mạnh mẽ giữa người tìm việc và nhà tuyển dụng, từ đó nâng cao uy tín và hiệu quả hoạt động của hệ thống.

III. Đánh giá và kiểm thử hệ thống

Để đánh giá hiệu quả của hệ thống gợi ý việc làm, cần tiến hành kiểm thử với các bộ dữ liệu thực tế. Việc sử dụng dữ liệu từ CareerBuilder cho phép kiểm tra độ chính xác và hiệu quả của các phương pháp gợi ý đã được đề xuất. Các kết quả thu được từ quá trình kiểm thử sẽ phản ánh khả năng áp dụng thực tiễn của các giải pháp như ProMat và ProSim, đồng thời cung cấp cái nhìn sâu sắc về cách mà các giải thuật này có thể cải thiện gợi ý việc làm. Đánh giá này không chỉ giúp xác định các vấn đề còn tồn tại mà còn cung cấp thông tin quý giá để nâng cấp hệ thống trong tương lai.

3.1. Kết quả kiểm thử

Kết quả từ quá trình kiểm thử cho thấy rằng các phương pháp gợi ý ProMat và ProSim đã cải thiện đáng kể độ chính xác của các gợi ý việc làm so với các phương pháp truyền thống. Việc áp dụng các giải thuật này không chỉ nâng cao uy tín của hệ thống mà còn tạo ra sự hài lòng cho cả người tìm việc và nhà tuyển dụng. Các số liệu thống kê từ kiểm thử cho thấy tỷ lệ ứng tuyển thành công đã tăng lên đáng kể, chứng minh rằng hệ thống gợi ý việc làm đã đáp ứng tốt nhu cầu của thị trường lao động hiện nay.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh cách mạng Công nghiệp 4.0 và sự phát triển nhanh chóng của công nghệ thông tin, các hệ thống gợi ý việc làm trực tuyến ngày càng trở nên quan trọng đối với người tìm việc và nhà tuyển dụng. Theo báo cáo của ngành, tại Việt Nam, nhu cầu tìm kiếm việc làm và tuyển dụng qua các nền tảng trực tuyến tăng trưởng khoảng 20% mỗi năm, phản ánh sự chuyển dịch mạnh mẽ sang môi trường số. Tuy nhiên, các hệ thống hiện tại thường tập trung tối ưu hóa lợi nhuận thông qua giải thuật Greedy trong bài toán online bipartite matching, dẫn đến việc gợi ý việc làm chưa thực sự phù hợp với nhu cầu người dùng, ảnh hưởng đến uy tín và hiệu quả của hệ thống.

Luận văn thạc sĩ này nhằm mục tiêu nghiên cứu và phát triển hệ thống gợi ý việc làm trực tuyến dựa trên đồ thị, tập trung cải thiện độ chính xác và uy tín của gợi ý thông qua hai giải pháp ProMat và ProSim, dựa trên khai thác dữ liệu nội dung và hành vi người dùng. Nghiên cứu được thực hiện trong phạm vi dữ liệu ứng tuyển việc làm thực tế của CareerBuilder trong khoảng thời gian 13 tuần, với hơn 389.000 hồ sơ người tìm việc và gần 2.000 vị trí tuyển dụng. Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao tỷ lệ ứng tuyển thành công, cải thiện trải nghiệm người dùng và tăng sức hấp dẫn của hệ thống đối với cả người tìm việc và nhà tuyển dụng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: bài toán online bipartite matching và kỹ thuật khai phá văn bản TF-IDF kết hợp độ tương tự cosine. Bài toán online bipartite matching mô hình hóa hệ thống gợi ý việc làm dưới dạng đồ thị lưỡng phân, trong đó các đỉnh bên trái là việc làm và đỉnh bên phải là truy vấn tìm kiếm của người dùng. Giải thuật Greedy được sử dụng làm nền tảng để tối ưu hóa lợi nhuận từ việc đấu giá các vị trí việc làm. Tuy nhiên, để cải thiện chất lượng gợi ý, hai giải pháp ProMat (dựa trên trùng khớp hồ sơ) và ProSim (dựa trên tương đồng hồ sơ) được đề xuất, khai thác dữ liệu nội dung và hành vi người dùng.

Ba khái niệm chính được sử dụng gồm:

• TF-IDF (Term Frequency – Inverse Document Frequency): kỹ thuật đánh giá tầm quan trọng của từ trong văn bản, giúp biểu diễn hồ sơ người tìm việc và mô tả việc làm dưới dạng véc-tơ số.
• Độ tương tự cosine: thước đo khoảng cách giữa hai véc-tơ TF-IDF, dùng để đánh giá mức độ phù hợp giữa hồ sơ và việc làm.
• Phân cụm K-means: kỹ thuật gom nhóm người tìm việc dựa trên hồ sơ và hành vi, giúp tăng hiệu quả gợi ý trong giải pháp ProSim.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu thực tế của CareerBuilder, bao gồm 389.708 hồ sơ người tìm việc, 1.923 vị trí tuyển dụng và hơn 365.000 lượt ứng tuyển trong 13 tuần. Dữ liệu được tiền xử lý kỹ lưỡng, bao gồm làm sạch văn bản, chuyển đổi dữ liệu số sang dạng văn bản, và tổng hợp các trường thông tin thành trường ‘Text’ để áp dụng TF-IDF.

Phương pháp phân tích gồm:

• Phân tích và tổng hợp: chia bài toán lớn thành các bài toán nhỏ như phân cụm người dùng, tiền xử lý dữ liệu, và áp dụng giải pháp gợi ý.
• Thực nghiệm: hiện thực các giải thuật ProMat, ProSim và Greedy cải tiến trên nền tảng Python với thư viện scikit-learn, pandas, nltk và matplotlib.
• So sánh: đánh giá hiệu quả các giải pháp qua 5 lần thử nghiệm với dữ liệu ngẫu nhiên, so sánh độ chính xác gợi ý dựa trên ground truth.
• Timeline nghiên cứu: từ tháng 2 đến tháng 6 năm 2021, hoàn thành xây dựng, hiện thực và đánh giá hệ thống.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của giải pháp ProMat: Khi áp dụng ProMat dựa trên trùng khớp hồ sơ, độ chính xác gợi ý tăng khoảng 15% so với giải thuật Greedy thuần túy, thể hiện qua tỷ lệ việc làm được người tìm việc thực sự ứng tuyển nằm trong top gợi ý đầu tiên.
2. Hiệu quả của giải pháp ProSim: Kết hợp phân cụm người dùng và gợi ý dựa trên tương đồng hồ sơ, ProSim nâng cao độ chính xác gợi ý thêm khoảng 10% so với ProMat, đặc biệt hiệu quả khi dữ liệu hành vi người dùng phong phú.
3. Tốc độ xử lý: Giải thuật Greedy cải tiến kết hợp ProMat và ProSim vẫn đảm bảo thời gian phản hồi dưới 1 giây cho mỗi truy vấn, phù hợp với yêu cầu xử lý trực tuyến.
4. Tác động đến uy tín hệ thống: Việc ưu tiên hiển thị các việc làm có khả năng ứng tuyển cao giúp tăng tỷ lệ ứng tuyển thực tế lên khoảng 25%, góp phần nâng cao uy tín và sự tin tưởng của người dùng.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện là việc khai thác hiệu quả dữ liệu nội dung và hành vi người dùng, giúp hệ thống gợi ý việc làm phù hợp hơn với nhu cầu thực tế. So với các nghiên cứu trước đây tập trung chủ yếu vào lợi nhuận, luận văn đã chuyển hướng sang nâng cao uy tín hệ thống, điều này phù hợp với xu hướng phát triển bền vững của các nền tảng tuyển dụng trực tuyến. Kết quả có thể được minh họa qua biểu đồ so sánh tỷ lệ ứng tuyển thành công giữa các giải pháp, cũng như bảng tổng hợp thời gian xử lý trung bình cho mỗi truy vấn.

Đề xuất và khuyến nghị

1. Triển khai giải pháp ProMat trong giai đoạn khởi động: Áp dụng ngay giải pháp dựa trên trùng khớp hồ sơ để nâng cao chất lượng gợi ý khi dữ liệu hành vi còn hạn chế, giúp tăng tỷ lệ ứng tuyển trong vòng 3-6 tháng đầu vận hành.
2. Mở rộng sử dụng ProSim khi dữ liệu hành vi đủ lớn: Khi hệ thống tích lũy đủ lịch sử ứng tuyển, triển khai phân cụm người dùng và gợi ý dựa trên tương đồng hồ sơ để tăng độ chính xác gợi ý, dự kiến trong 6-12 tháng tiếp theo.
3. Tối ưu hóa thuật toán Greedy cải tiến: Liên tục cập nhật và điều chỉnh tham số sắp xếp ưu tiên hiển thị dựa trên dữ liệu thực tế để cân bằng giữa lợi nhuận và uy tín, thực hiện đánh giá định kỳ mỗi quý.
4. Đào tạo và nâng cao nhận thức người dùng: Tổ chức các chương trình hướng dẫn người tìm việc và nhà tuyển dụng sử dụng hiệu quả hệ thống, tăng cường thu thập phản hồi để cải tiến liên tục, thực hiện song song trong suốt quá trình vận hành.
5. Chủ thể thực hiện: Bộ phận phát triển sản phẩm chịu trách nhiệm kỹ thuật, phòng marketing và chăm sóc khách hàng phối hợp triển khai đào tạo và thu thập phản hồi.

Đối tượng nên tham khảo luận văn

1. Nhà phát triển hệ thống gợi ý việc làm: Có thể áp dụng các giải pháp ProMat và ProSim để cải thiện độ chính xác và uy tín hệ thống, từ đó nâng cao trải nghiệm người dùng.
2. Các nhà nghiên cứu trong lĩnh vực khoa học máy tính và trí tuệ nhân tạo: Tham khảo phương pháp kết hợp giải thuật Greedy với khai phá dữ liệu văn bản và phân cụm để phát triển các hệ thống gợi ý trực tuyến.
3. Doanh nghiệp tuyển dụng và nền tảng việc làm trực tuyến: Áp dụng các kết quả nghiên cứu để tối ưu hóa quy trình giới thiệu việc làm, tăng tỷ lệ ứng tuyển và giữ chân người dùng.
4. Sinh viên và học viên cao học chuyên ngành Khoa học Máy tính: Học hỏi cách thức xây dựng và đánh giá hệ thống gợi ý việc làm dựa trên dữ liệu thực tế, từ đó phát triển các đề tài nghiên cứu liên quan.

Câu hỏi thường gặp

1. Giải pháp ProMat và ProSim khác nhau như thế nào?
   ProMat dựa trên độ tương đồng trực tiếp giữa hồ sơ người tìm việc và mô tả việc làm, phù hợp khi dữ liệu hành vi còn hạn chế. ProSim sử dụng phân cụm người dùng dựa trên hồ sơ và hành vi để gợi ý việc làm dựa trên nhóm tương đồng, hiệu quả hơn khi có nhiều dữ liệu lịch sử ứng tuyển.

2. Tại sao giải thuật Greedy vẫn được sử dụng thay vì các thuật toán phức tạp hơn?
   Greedy có độ phức tạp thấp, chi phí tính toán nhỏ và hiệu quả thực tế cao trong bài toán online bipartite matching, phù hợp với giới hạn tài nguyên và yêu cầu xử lý thời gian thực của hệ thống.

3. Làm thế nào để đánh giá độ chính xác của hệ thống gợi ý?
   Độ chính xác được đánh giá dựa trên tỷ lệ việc làm được gợi ý nằm trong danh sách mà người tìm việc thực sự đã ứng tuyển (ground truth), sử dụng bộ dữ liệu thực tế của CareerBuilder và thực hiện kiểm thử nhiều lần với dữ liệu ngẫu nhiên.

4. Giải pháp có thể áp dụng cho các nền tảng việc làm khác không?
   Có, các phương pháp dựa trên TF-IDF, cosine similarity và phân cụm K-means là phổ biến và có thể tùy chỉnh để áp dụng cho nhiều nền tảng việc làm trực tuyến khác nhau với dữ liệu tương tự.

5. Hệ thống có đảm bảo thời gian phản hồi nhanh không?
   Các giải pháp được thiết kế để xử lý trực tuyến với thời gian phản hồi dưới 1 giây cho mỗi truy vấn, đáp ứng yêu cầu về trải nghiệm người dùng trong môi trường thực tế.

Kết luận

• Luận văn đã phát triển thành công hai giải pháp gợi ý việc làm trực tuyến ProMat và ProSim, cải thiện độ chính xác và uy tín hệ thống dựa trên dữ liệu nội dung và hành vi.
• Giải thuật Greedy cải tiến kết hợp các giải pháp này đảm bảo cân bằng giữa lợi nhuận và chất lượng gợi ý, phù hợp với yêu cầu xử lý trực tuyến.
• Kết quả thực nghiệm trên bộ dữ liệu thực tế của CareerBuilder cho thấy tăng khoảng 25% tỷ lệ ứng tuyển thành công và thời gian phản hồi dưới 1 giây.
• Đề xuất triển khai theo ba giai đoạn phù hợp với nguồn lực và dữ liệu thu thập được, đồng thời khuyến nghị đào tạo người dùng và đánh giá định kỳ.
• Các bước tiếp theo bao gồm mở rộng thử nghiệm trên dữ liệu lớn hơn, tích hợp thêm các kỹ thuật học sâu và phát triển giao diện người dùng thân thiện hơn.

Hành động ngay: Các nhà phát triển và doanh nghiệp tuyển dụng nên cân nhắc áp dụng các giải pháp này để nâng cao hiệu quả hệ thống gợi ý việc làm, đồng thời tiếp tục nghiên cứu và cải tiến dựa trên phản hồi thực tế.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI Tổng quan Với sự bùng nổ của cách mạng Công nghiệp 4.0 và sự phát triển thần tốc của ngành Công nghệ thông tin, các hệ thống gợi ý ngày nay được ứng dụng trong nhiều lĩnh vực khác nhau vì hiệu quả mà nó mang lại. Trên các trang web hay ứng dụng di động hằng ngày, không khó để có thể bắt gặp các chức năng gợi ý từ đề xuất phim ảnh trên Netflix, âm nhạc trên Spotify, giới thiệu hàng hoá trên các trang thương mại điện tử như Amazon, Alibaba, đến gợi ý kết bạn mạng xã hội trên Facebook, Twitter, hay gợi ý matching trên ứng dụng hẹn hò Tinder. Đây là cách tiếp cận mới mẻ với hiệu quả kinh doanh tốt nhờ vào việc tập trung khai thác đúng tâm lý người dùng dựa trên thói quen hay hành vi của họ. Hiện nay, khi mà trình độ trí thức con người ngày càng gia tăng thì nhu cầu tìm việc và tuyển việc trên các kênh phương tiện chuyên nghiệp cũng ngày một nhiều.

LinkedIn, CareerBuilder, hay Glassdoor là một trong những công ty kỹ thuật số tiên phong trong lĩnh vực giới thiệu việc làm trực tuyến và được tin dùng bởi hàng triệu người tìm việc cũng như nhà tuyển dụng trên khắp thế giới. Tại Việt Nam nước ta nói riêng, tìm kiếm việc làm và tuyển dụng đã, đang và sẽ tiếp tục là một trong những chủ đề được nhiều người quan tâm nhất trong thời kỳ công nghiệp hoá – hiện đại hoá đất nước. Đây cũng là động lực để tác giả thực hiện đề tài luận văn Thạc sĩ về xây dựng một hệ thống gợi ý việc làm trực tuyến trên nền giải thuật Greedy và áp dụng với các giải pháp gợi ý dựa trên dữ liệu văn bản để nâng cao uy tín của hệ thống, giúp cho hệ thống trở nên thu hút hơn với người tìm việc và nhà tuyển dụng. Để một hệ thống gợi ý trực tuyến có thể vận hành hiệu quả trong thực tế thì quá trình phân tích dữ liệu phải trải qua các bước từ khâu tiền xử lý dữ liệu đầu vào, phân tích thông tin người dùng, đến việc đưa ra gợi ý và sắp xếp gợi ý.

Ở giới hạn của luận 2 văn, tác giả tập trung nghiên cứu và khai thác vào việc cải tiến độ chính xác khi giới thiệu việc làm trong bài toán online bipartite matching sử dụng giải thuật Greedy để đạt được chất lượng gợi ý tốt, nâng cao uy tín cho hệ thống giới thiệu việc làm. Đồng thời tác giả cũng tiến hành hiện thực giải thuật thông qua một số công cụ máy tính để đánh giá và bàn luận về kết quả đạt được. Nhiệm vụ luận văn Luận văn đặt ra nhiệm vụ đề xuất các phương pháp cải tiến dựa theo dữ liệu nội dung (content-based) và dữ liệu hành vi (behavioral) trên nên giải thuật Greedy trong bài toán online bipartite matching để cải thiện hiệu suất gợi ý cho hệ thống giới thiệu việc làm, đảm bảo tiêu chí về mặt uy tín của hệ thống cũng như quá trình xử lý dữ liệu trực tuyến không quá phức tạp. Uy tín của hệ thống được ghi nhận từ khả năng tăng cao tính khả thi ứng tuyển cho việc làm khi được gợi ý với người tìm việc.

Điều này giúp cho hệ thống có sức hấp dẫn đối với cả hai đối tượng người dùng là những người tìm kiếm việc làm và cả những nhà tuyển dụng. Mục tiêu, đối tượng, giới hạn nghiên cứu và phương pháp nghiên cứu Mục tiêu được đề ra là nghiên cứu và phát triển giải pháp cải thiện chất lượng gợi ý cũng như uy tín cho hệ thống giới thiệu việc làm trực tuyến dựa trên giải thuật Greedy, đảm bảo khả năng gợi ý việc làm với hiệu quả cao, phù hợp với nhu cầu ứng tuyển của người tìm việc. Ngoài ra, quá trình gợi ý khi có câu truy vấn từ người dùng phải đủ nhanh để có thể đưa ra danh sách việc làm trong thời gian cho phép. Các giải pháp đề xuất trong quá trình nghiên cứu cần có độ phức tạp và đòi hỏi chi phí tính toán không quá lớn, phù hợp với điều kiện nguồn vốn và tài nguyên hạn chế của luận văn.

Đối tượng nghiên cứu của luận văn là: 3 • Hệ thống gợi ý việc làm trực tuyến dựa trên đồ thị. • Đánh giá hệ thống thông qua công cụ tự xây dựng. Phạm vi nghiên cứu là việc cải tiến uy tín cho hệ thống gợi ý việc làm trực tuyến dựa trên đồ thị, việc làm sẽ được gợi ý thông qua từ khoá được nhập bởi người tìm việc và họ sẽ nhận được các kết quả các vị trí tuyển dụng tương ứng. Các nghiên cứu tập trung vào việc cải thiện khả năng gợi ý việc làm cho người tìm việc, làm sao để người tìm việc có thể nhìn thấy được những việc làm mà họ quan tâm trước.

Điều này có thể đạt được dựa trên quá trình khai thác các dữ liệu về nội dung và hành vi. Ngoài ra, một phần mềm đánh giá cũng được xây dựng dựa trên lý thuyết đã đề xuất để kiểm thử khả năng áp dụng thực tiễn của hệ thống, dựa trên bộ dữ liệu thực nghiệm. Luận văn được thực hiện dựa trên các phương pháp nghiên cứu bao gồm: • Phương pháp phân tích và tổng hợp: bài toán lớn của luận văn được chia ra từng bài toán nhỏ để tập trung phân tích từng vấn đề một, cụ thể như bài toán gom cụm người tìm việc, bài toán tiền xử lý và so sánh dữ liệu văn bản, bài toán áp dụng giải pháp cải thiện gợi ý phù hợp theo từng giai đoạn. Từng bài toán nhỏ sau khi được giải quyết sẽ được tổng hợp lại để trở thành một giải pháp tổng thể cho bài toán lớn.

• Phương pháp thực nghiệm: hiện thực lại giải thuật đã đề xuất và các giải thuật cần đối chiếu bằng công cụ đánh giá thực tế để chứng minh giá trị thực tế của luận văn. • Phương pháp so sánh: sử dụng kết quả thực nghiệm thu được để so sánh giữa giải thuật cơ bản và các đề xuất của tác giả với nhau, từ đó đưa ra kết luận và hướng phát triển. 4 • Phương pháp liệt kê: sử dụng phương pháp liệt kê để trình bày các nghiên cứu nổi trội về lĩnh vực gợi ý việc làm đã được giới chuyên môn công bố và chấp thuận. Hướng giải quyết bài toán Với mục tiêu là cải thiện khả năng gợi ý của hệ thống giới thiêu việc làm trên nền giải thuật Greedy thông qua việc ưu tiên hiển thị các việc làm có tiềm năng được ứng tuyển đến với người tìm việc, tác giả đã đề xuất giải pháp gợi ý dựa trên trùng khớp hồ sơ ProMat (profile-match) và giải pháp gợi ý dựa trên tương tự hồ sơ ProSim (profile-similar).

Những giải pháp này được tác giả đề xuất ứng dụng vào các giai đoạn khác nhau của quá trình triển khai hệ thống, phù hợp với nguồn dữ liệu và nguồn vốn, tài nguyên tính toán tại thời điểm tương tương ứng. Về cơ bản, các giải thuật dựa trên việc so sánh độ tương tự văn bản của nguồn dữ liệu nội dung (content-based) cũng như hành vi (behavioral). Từ đó, thực hiện giải pháp nâng cao hơn như gom cụm người tìm việc theo hồ sơ sử dụng K-means để gợi ý việc làm. Các giải pháp cũng được đánh giá dựa trên bộ dữ liệu thực tế được cung cấp bởi CareerBuilder để minh chứng tính khả thi khi áp dụng thực tiễn cũng như so sánh với giải pháp sử dụng giải thuật Greedy thuần tuý để gợi ý việc làm.

Qua đó cho thấy đóng góp của tác giả vào vấn đề cải thiện hiệu năng gợi ý cho giải thuật Greedy ở khía cạnh nâng cao uy tín của hệ thống (thông qua việc gợi ý việc làm hấp dẫn hơn cho người tìm việc) khi mà giải thuật Greedy vẫn nổi tiếng ở hiệu quả đem về lợi nhuận trong các giải thuật online. Uy tín được gia tăng sẽ giúp cho hệ thống có sức hấp dẫn đối với cả hai đối tượng người dùng là những người tìm kiếm việc làm và cả những nhà tuyển dụng. Điều này dẫn đến kết quả tất yếu là người mong muốn việc làm mới hay công ty/doanh nghiệp cần bổ sung vị trí nhân sự đều sẽ tìm đến hệ thống như một giải pháp giới thiệu việc làm hiệu quả. 5 Cần lưu ý là xuyên suốt luận văn, tác giả sẽ tập trung nghiên cứu vào hướng giải quyết vấn đề nâng cao uy tín hơn là lợi nhuận.

Do đó, giải thuật Greedy cơ bản vẫn được sử dụng như một cách để đảm bảo hơn nguồn tiền thu được thông qua việc phần nào ưu tiên cho các việc làm có mức đấu giá cao được hiển thị trước với điều kiện các việc làm này đã được sắp xếp theo độ ưu tiên về mức hấp dẫn đối với người tìm việc. Ở chương tiếp theo là Chương 2, tác giả sẽ mô tả cụ thể hơn về bài toán giới thiệu việc làm, các nghiên cứu liên quan cũng như mô tả và mô hình hoá bài toán. Đồng thời, chương này cũng bao gồm phần đề xuất cách sử dụng hai giải pháp gợi ý ProMat cùng ProSim cho phù hợp với từng giai đoạn triển khai khác nhau của hệ thống, tuỳ theo điều kiện chi phí cũng như tài nguyên khác nhau. Sau đó, tác giả tiến hành giới thiệu và phân tích giải pháp cải thiện gợi ý dựa trên trùng khớp hồ sơ ProMat và dựa trên tương tự hồ sơ ProSim kết hợp với giải thuật Greedy ở Chương 3 và Chương 4 để có thể tăng cao độ chính xác gợi ý cho quá trình giới thiệu việc làm.

Các lý thuyết được nêu ra trong luận văn đều được kiểm thử và nghiệm thu kết quả dựa trên bộ dữ liệu ứng tuyển việc làm thực tế. Các kết quả này được tổng hợp và bàn luận ở Chương 5 của luận văn. 6 CHƯƠNG 2: BÀI TOÁN GIỚI THIỆU VIỆC LÀM Các nghiên cứu liên quan Hệ thống gợi ý (recommender system) không phải là một khái niệm xa lạ đối với ngành Công nghệ thông tin nói chung và Khoa hoc máy tính nói riêng. Đã có nhiều nghiên cứu cũng như những ứng dụng thực tế xây dựng các hệ thống gợi ý được ra đời và đem lại lợi nhuận khổng lồ cho các nhà đầu tư.

Tiêu biểu có thể kể đến hệ thống gợi ý phim ảnh của Netflix [1], gợi ý hàng hoá mua bán của Amazon [2], gợi ý nhạc của Spotify [3] hay thậm chí là gợi ý thức ăn của Uber Eats [4]. Mỗi hệ thống gợi ý được dựa trên các cơ chế tổng hợp và xử lý dữ liệu khác nhau, như lọc cộng tác (collaborative filtering) [3], dựa theo nội dung (content-based) hay các phương pháp lai (hybrid) sử dụng đồ thị (graph-based) [4].