Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh bùng nổ các kênh thông tin tuyển dụng trực tuyến, mạng xã hội và các trang việc làm số, người tìm việc đang đối mặt với tình trạng quá tải thông tin, mất nhiều thời gian sàng lọc mà vẫn khó xác định được vị trí phù hợp. Vấn đề này tác động trực tiếp đến nhóm sinh viên ngành Công nghệ Thông tin (CNTT) vốn còn thiếu kinh nghiệm trong việc nhận diện và đối chiếu năng lực bản thân với các tiêu chuẩn tuyển dụng thực tế. Ngược lại, nhóm ứng viên có kinh nghiệm cũng gặp khó khăn khi tiếp cận thông tin tuyển dụng được cá nhân hóa sát với lịch sử chuyên môn.

Để minh chứng cho áp lực việc làm trên thị trường lao động trong nước, tác giả dẫn số liệu được Phó Thủ tướng Chính phủ Trần Hồng Hà đề cập vào tháng 8 năm 2023: cả nước ghi nhận khoảng 150.000 lao động mất việc làm, trong khi có 82 trung tâm dịch vụ việc làm công lập và hơn 500 doanh nghiệp hoạt động dịch vụ việc làm tư nhân được thành lập mới. Mặc dù các nền tảng tuyển dụng như LinkedIn, Indeed trên thế giới hay VietnamWorks, TopCV, TopDev tại Việt Nam đã tích hợp các công cụ tìm kiếm và gợi ý, song kết quả trả về thường chủ yếu dựa vào từ khóa cơ bản mà chưa đánh giá sâu mức độ tương đồng giữa hồ sơ ứng viên (kỹ năng, kinh nghiệm, thông tin cá nhân) với ngữ cảnh của bài đăng tuyển.

Khóa luận tốt nghiệp của tác giả Lê Hải Phong (ngành Kỹ thuật Phần mềm, Trường Đại học Công nghệ Thông tin – ĐHQG-HCM, hướng dẫn bởi TS. Huỳnh Ngọc Tín và Th.S Đỗ Văn Tiến, bảo vệ tháng 06/2024) xác định các mục tiêu và phạm vi nghiên cứu cụ thể như sau:

Mục tiêu nghiên cứu:

  1. Xây dựng hệ thống giúp tìm kiếm và khuyến nghị việc làm phù hợp dựa trên thông tin cá nhân và kinh nghiệm làm việc của người dùng.
  2. Xây dựng bộ dữ liệu phục vụ bài toán khuyến nghị việc làm chuyên ngành CNTT bằng tiếng Việt.
  3. Nghiên cứu các công bố khoa học, các mô hình hệ khuyến nghị hiện có và khảo sát các bài toán liên quan trên thị trường việc làm trực tuyến.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các phương pháp và thuật toán khuyến nghị (lọc cộng tác, lọc dựa trên nội dung, phương pháp lai); các bài đăng tuyển dụng ngành CNTT; hồ sơ năng lực và kinh nghiệm của ứng viên.
  • Phạm vi không gian và thị trường: Thị trường việc làm lĩnh vực CNTT tại Việt Nam; dữ liệu việc làm được thu thập tự động từ cổng thông tin VietnamWorks; hệ thống được thử nghiệm đối với sinh viên Trường Đại học Công nghệ Thông tin (UIT).
  • Phạm vi kỹ thuật: Nghiên cứu ba hướng tiếp cận gồm lọc cộng tác (Collaborative Filtering - CF), lọc nội dung (Content-based) và lọc lai tuyến tính (Simple Hybrid). Do đặc thù thiếu lịch sử tương tác ban đầu và ma trận đánh giá thưa, hệ thống thực nghiệm tập trung sâu vào giải pháp lọc nội dung kết hợp kỹ thuật Prompt Tuning qua API ChatGPT-3.5 và công cụ tự động hóa Selenium.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng nền tảng lý thuyết xoay quanh mô hình toán học của hệ thống khuyến nghị và các kỹ thuật xử lý dữ liệu văn bản.

1. Mô hình toán học của hệ khuyến nghị

Hệ thống xác định không gian người dùng $U = {u_1, u_2, \dots, u_n}$ và không gian đối tượng khuyến nghị $P = {p_1, p_2, \dots, p_m}$ (tập hợp các vị trí việc làm đã đăng tuyển). Bài toán khuyến nghị quy về việc xác định hàm hữu ích: $$f: U \times P \to R$$ Trong đó, $R$ là tập giá trị hữu ích biểu diễn mức độ phù hợp của việc làm $p \in P$ đối với người dùng $u \in U$. Với mỗi người dùng, hệ thống tính toán và trả về danh sách Top-$N$ việc làm có giá trị hàm hữu ích cao nhất theo thứ tự giảm dần.

2. Các phương pháp khuyến nghị cơ bản

  • Lọc cộng tác (Collaborative Filtering - CF): Tiếp cận dựa trên ma trận đánh giá $A$ kích thước $m \times n$, chứa các giá trị đánh giá $a_{ij}$ (thường từ 1 đến 5). CF phân loại thành hai nhánh: lọc theo người dùng (User-based) tìm kiếm tập người dùng có chung sở thích $S_u$ để dự đoán, và lọc theo đối tượng (Item-based) tìm kiếm tập các công việc tương đồng $I_p$. Tuy nhiên, tác giả chỉ ra hạn chế lớn của CF là vấn đề dữ liệu thưa (sparsity) khi số lượng quan sát thực tế quá ít so với ma trận cần tiên đoán.
  • Lọc theo nội dung (Content-based): Biểu diễn hồ sơ ứng viên và mô tả công việc thành các vector đặc trưng (feature vector). Để khắc phục việc lặp từ và độ dài văn bản không đồng nhất, phương pháp áp dụng trọng số $TF\text{-}IDF(i, j) = TF(i, j) \times IDF(i)$, với $IDF(i) = \log(N / n(i))$. Độ tương đồng giữa vector người dùng $A$ và vector bài đăng $B$ được đo lường qua hệ số góc Cosine: $$Similarity = \cos(\alpha) = \frac{A \cdot B}{|A| \times |B|} = \frac{\sum_{i=1}^n A_i \times B_i}{\sqrt{\sum_{i=1}^n A_i^2} \times \sqrt{\sum_{i=1}^n B_i^2}}$$ Ngoài ra, văn bản cũng đề cập đến các khoảng cách Euclide và độ đo Tanimoto.
  • Phương pháp lai (Hybrid approach): Sử dụng công thức kết hợp tuyến tính có trọng số giữa các mô hình thành phần: $$rec_{weighted}(u, i) = \sum_{k=1}^n \beta_k \times rec_k(u, i)$$ Với $\beta_k$ là hệ số hiệu chỉnh của phương pháp thứ $k$.

3. Phương pháp nghiên cứu thực nghiệm và nguồn dữ liệu

  • Thu thập dữ liệu: Sử dụng công cụ Selenium tự động cào dữ liệu tuyển dụng từ nền tảng VietnamWorks, xây dựng bộ ngữ liệu gồm hơn 1.300 dòng dữ liệu tiếng Việt bao quát các chuyên ngành CNTT phổ biến.
  • Tiền xử lý và gán nhãn: Áp dụng kỹ thuật Prompt Tuning tương tác với API ChatGPT-3.5 để phân tích cấu trúc, chuẩn hóa văn bản từ hồ sơ và bài đăng; dữ liệu được sinh viên chuyên ngành CNTT trực tiếp gán nhãn và được đối soát, xác nhận bởi các chuyên sự đang làm việc tại các doanh nghiệp phần mềm.

Thiết kế và triển khai

Hệ thống được phát triển theo quy trình kỹ thuật phần mềm hoàn chỉnh, phục vụ mô hình sàn giao dịch và kết nối việc làm với hai tác nhân chính và một tác nhân quản trị.

1. Phân tích tác nhân và ca sử dụng (Use Case)

Tác nhân (Actor) Vai trò và phạm vi nghiệp vụ
Người tuyển dụng (Seller) Đăng bài tuyển dụng việc làm, quản lý tin đăng (sửa, xóa, lọc trạng thái), duyệt nhu cầu ứng viên, thương lượng và tạo gói việc làm tùy chỉnh (custom offer), quản lý đơn đặt hàng (nhận việc, gửi sản phẩm kết quả qua tệp nén zip), đánh giá ứng viên, theo dõi ví thu nhập.
Người ứng tuyển (Buyer) Tìm kiếm việc làm hoặc nhà tuyển dụng theo từ khóa, xem chi tiết gói dịch vụ, nộp hồ sơ/đặt hàng, thanh toán qua ví nội bộ hoặc cổng VNPay, theo dõi tiến trình đơn hàng (yêu cầu làm lại - rework, hủy đơn, chấp nhận hoàn thành), gửi đánh giá, quản lý bài đăng và nhà tuyển dụng yêu thích.
Quản trị viên (Admin) Quản lý người dùng, quản lý tham số hệ thống, giám sát giao dịch và danh mục dịch vụ.

Hệ thống quản lý vòng đời đơn công việc thông qua 6 trạng thái nghiệp vụ: Created (khởi tạo), Doing (đang thực hiện), Delivered (đã giao kết quả), Completed (hoàn tất), Canceled (hủy bỏ) và PendingPayment (chờ thanh toán).

2. Thiết kế cơ sở dữ liệu (ERD)

Cơ sở dữ liệu quan hệ được xây dựng dựa trên 16 bảng thực thể đáp ứng toàn bộ luồng nghiệp vụ và tương tác:

  • Wallet: Quản lý số dư ví cá nhân của người dùng.
  • Post: Lưu trữ thông tin bài đăng việc làm.
  • Package: Chi tiết các gói công việc cụ thể trực thuộc một bài đăng.
  • Category và Subcategory: Phân cấp ngành nghề và danh mục kỹ năng CNTT.
  • Order và OrderHistory: Quản lý đơn hàng tuyển dụng và vết lịch sử thay đổi trạng thái.
  • TransactionHistory: Lưu vết giao dịch tài chính nạp, rút, thanh toán.
  • Review: Đánh giá năng lực và số sao giữa người tuyển dụng và người ứng tuyển.
  • SavedList và SavedSeller: Lưu trữ danh sách bài đăng và nhà tuyển dụng yêu thích.
  • Room và RoomMember: Quản lý các phòng hội thoại nhắn tin.
  • Learning: Bảng lưu trữ dữ liệu huấn luyện/học máy cho mô hình khuyến nghị.
  • ServiceRequest: Yêu cầu dịch vụ tùy chỉnh do ứng viên khởi tạo.
  • Parameter: Lưu các tham số cấu hình chung của hệ thống.

3. Công nghệ và môi trường triển khai

Hệ thống sử dụng các nền tảng và công nghệ sau:

  • Xác thực và phân quyền: Thuật toán băm mật khẩu Bcrypt đảm bảo an toàn thông tin đăng nhập; cơ chế JSON Web Token (JWT) quản lý phiên truy cập thông qua cấu trúc Header, Payload (Reserved Claims) và Secret Key.
  • Backend & ORM: Nền tảng Web API, kết nối và ánh xạ cơ sở dữ liệu thông qua Entity Framework Core và Sequelize ORM.
  • Giao tiếp thời gian thực: Thư viện SignalR phục vụ truyền tải tin nhắn tức thời giữa người ứng tuyển và nhà tuyển dụng.
  • Thanh toán tích hợp: Cổng thanh toán trực tuyến VNPay kết hợp hệ thống ví điện tử nội bộ.
  • Điện toán đám mây & Ứng dụng di động: Web API và mô hình khuyến nghị (Model API) được triển khai trên nền tảng đám mây Azure App Service. Ứng dụng di động phía người dùng được đóng gói và phát hành thử nghiệm trên Google Store (Google Play).

Nội dung chính theo từng chương

Chương 1. Tổng quan đề tài

Chương mở đầu phân tích tính cấp thiết của đề tài xuất phát từ sự bùng nổ của thị trường tuyển dụng trực tuyến và tình trạng quá tải thông tin đối với lao động CNTT. Tác giả trích dẫn phát biểu của Phó Thủ tướng Chính phủ Trần Hồng Hà về bối cảnh 150.000 lao động mất việc để làm rõ nhu cầu về một nền tảng số hỗ trợ kết nối chính xác. Khóa luận xác lập 3 mục tiêu nghiên cứu trọng tâm, định hình phạm vi thu thập dữ liệu tại thị trường Việt Nam (từ VietnamWorks), đồng thời nêu bật 5 khó khăn kỹ thuật chính:

  1. Thiếu kinh nghiệm thu thập và kiểm soát kích thước dữ liệu việc làm.
  2. Vấn đề ma trận thưa do người dùng mới không có lịch sử tương tác, buộc tác giả chuyển hướng sang tập trung vào kỹ thuật lọc nội dung.
  3. Rào cản bất đồng ngôn ngữ giữa bài đăng (tiếng Anh, Nhật, Việt) và hồ sơ người dùng (tiếng Việt).
  4. Hồ sơ CV phi cấu trúc (dạng PDF, tệp ảnh) gây trở ngại cho việc bóc tách văn bản.
  5. Thách thức về độ tin cậy của tập dữ liệu do sinh viên tự gán nhãn, đòi hỏi phải có sự thẩm định của chuyên gia trong ngành.

Chương 2. Nghiên cứu các hệ thống liên quan

Chương 2 tổng hợp bức tranh tổng quan về các công trình nghiên cứu và thực trạng ứng dụng hệ khuyến nghị:

  • Khảo sát nghiên cứu kết hợp xử lý ngôn ngữ tự nhiên (NLP) và học máy để phân tích văn bản phi cấu trúc từ CV và bản mô tả công việc (Job Description - JD), từ đó trích xuất kỹ năng và kinh nghiệm.
  • Điểm luận văn tiến sĩ của tác giả Huỳnh Ngọc Tín về các xu hướng mới: khai thác thông tin ngữ cảnh (Context-aware: thời gian, địa điểm, xu hướng, kinh nghiệm); mô hình hóa thông tin tiềm ẩn của người dùng; kỹ thuật tiếp cận lai để triệt tiêu nhược điểm của các phương pháp đơn lẻ.
  • Phân tích thực nghiệm trên 2 nền tảng lớn tại Việt Nam:
    • TopDev: Thử nghiệm đưa thông tin ngữ cảnh kỹ năng và kinh nghiệm sinh viên ("Thực tập sinh flutter", "Dart flutter mobile"), kết quả cho thấy hệ thống chưa đưa ra được danh sách công việc phù hợp với từ khóa ngữ cảnh.
    • TopCV: Thử nghiệm với từ khóa "backend java" và bộ lọc "Thực tập sinh", hệ thống trả về công việc đúng từ khóa công nghệ nhưng chưa khớp với cấp độ vị trí mong muốn (hiển thị bài đăng tuyển vị trí cấp cao hơn hoặc không sát yêu cầu thực tập).

Chương 3. Hệ thống khuyến nghị việc làm

Chương 3 trình bày cơ sở toán học và toàn bộ quy trình thiết kế kỹ thuật của hệ thống. Tác giả phát biểu bài toán khuyến nghị qua không gian $U$, $P$ và hàm hữu ích $f(u, p)$, đồng thời giải thích chi tiết cơ chế hoạt động của lọc cộng tác (User-based, Item-based), ma trận đánh giá (Bảng 3.1) và thuật toán lọc nội dung (Cosine, TF-IDF).

Phần thiết kế hệ thống bao gồm:

  • Sơ đồ ca sử dụng tổng quát (Use case Diagram) cùng danh sách actors và phân rã use case chi tiết.
  • 18 biểu đồ tuần tự (Sequence Diagram) mô tả các luồng nghiệp vụ then chốt: đăng nhập, đặt lại mật khẩu, hiệu chỉnh thông tin, tạo bài đăng, duyệt nhu cầu, tạo gói việc làm tùy chỉnh, quản lý đơn hàng, giao kết quả việc làm qua file zip, tìm kiếm, xem chi tiết và ứng tuyển.
  • Lược đồ hoạt động (Activity Diagram), biểu đồ lớp (Class Diagram), lược đồ trạng thái (State Diagram).
  • Mô hình dữ liệu quan hệ (ERD) với 16 bảng dữ liệu chi tiết kèm kiểu dữ liệu, khóa chính (PK), khóa ngoại (FK).
  • Thiết kế giao diện với danh mục 58 màn hình ứng dụng kèm bảng đặc tả chi tiết đối tượng giao diện và biến cố xử lý.
  • Giới thiệu các công nghệ nền tảng: thuật toán băm Bcrypt, JWT, SignalR, Sequelize ORM / Entity Framework Core và Azure Web App.

Chương 4. Triển khai và đánh giá hệ thống

Chương 4 mô tả cấu hình môi trường triển khai thực tế của giải pháp:

  • Backend & AI Service: Hệ thống Web API quản lý nghiệp vụ và API mô hình khuyến nghị được triển khai vận hành trên nền tảng đám mây Microsoft Azure App Service.
  • Mobile Client: Ứng dụng di động được biên dịch và phát hành trực tiếp lên Google Store phục vụ cài đặt thử nghiệm.
  • Tập dữ liệu thực nghiệm: Vận hành mô hình khuyến nghị dựa trên tập dữ liệu đã thu thập gồm hơn 1.300 bản ghi bài đăng tuyển dụng ngành CNTT tiếng Việt từ VietnamWorks sau khi xử lý qua Prompt Tuning với ChatGPT-3.5 API.
  • Thử nghiệm người dùng: Hệ thống được đưa vào thử nghiệm nội bộ trong nhóm đối tượng sinh viên Trường Đại học Công nghệ Thông tin (UIT) để kiểm thử các tính năng tìm kiếm, nhận đề xuất việc làm, giao dịch và phản hồi tương tác.

Chương 5. Kết luận và hướng phát triển

Chương cuối tóm lược các mục tiêu đã hoàn thành, nêu bật giá trị ứng dụng thực tiễn của phần mềm trong việc rút ngắn thời gian tìm kiếm việc làm cho sinh viên CNTT, đồng thời đề xuất lộ trình nâng cấp hệ thống trong tương lai.

Kết quả và đóng góp

Khóa luận ghi nhận các kết quả cụ thể dựa trên số liệu và sản phẩm thực tế đã hoàn thành:

| Hạng mục đóng góp | Nội dung và thông số thực tế |
| :--- | :--- |
| **Xây dựng bộ dữ liệu** | Tạo lập thành công bộ dữ liệu chuẩn hóa gồm hơn 1.300 dòng dữ liệu tuyển dụng ngành CNTT bằng tiếng Việt, bao quát các vị trí chuyên môn phổ biến trên thị trường. |
| **Giải pháp khuyến nghị** | Ứng dụng thành công kỹ thuật Prompt Tuning trên OpenAI ChatGPT-3.5 API kết hợp Selenium để tự động hóa trích xuất đặc trưng và tính toán độ tương đồng nội dung, giải quyết rào cản ma trận thưa khi chưa có lịch sử tương tác. |
| **Phát triển phần mềm** | Hoàn thiện ứng dụng di động đa chức năng với đầy đủ nghiệp vụ: tìm kiếm, nhận khuyến nghị, đăng tin, thương lượng gói tùy chỉnh (custom offer), thanh toán kép (Ví/VNPay), trao đổi thời gian thực (SignalR), chuyển giao sản phẩm tệp zip. |
| **Triển khai thực tế** | Triển khai hạ tầng Web API và Model API lên đám mây Azure App Service; đưa ứng dụng di động lên kho ứng dụng Google Store; thu nhận phản hồi đánh giá tích cực từ nhóm sinh viên trải nghiệm tại UIT. |
  • Đóng góp so với các nghiên cứu trước: Tác giả đã kết hợp mô hình ngôn ngữ lớn (thông qua kỹ thuật Prompt Tuning trên ChatGPT API) vào bước tiền xử lý và trích xuất ngữ cảnh hồ sơ, giúp khắc phục nhược điểm nhận diện sai cấp độ công việc (như trường hợp từ khóa "thực tập sinh" bị bỏ qua trên TopDev và TopCV), đồng thời chuyển giao trọn vẹn thuật toán thành một sản phẩm ứng dụng di động có khả năng tương tác trực tiếp thay vì dừng lại ở mô hình mô phỏng lý thuyết.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận ghi nhận các hạn chế kỹ thuật và định hướng mở rộng được tác giả đề cập trong văn bản:

Hạn chế của đề tài:

  • Kích thước tập dữ liệu còn giới hạn (hơn 1.300 bản ghi), phạm vi cào dữ liệu mới chỉ tập trung vào một nguồn đơn lẻ là VietnamWorks.
  • Số lượng người tham gia khảo sát ban đầu còn ít, thiếu hụt dữ liệu về lịch sử hành vi tương tác giữa ứng viên và bài đăng, dẫn đến hiện tượng ma trận thưa nghiêm trọng và chưa thể khai thác tối đa năng lực của thuật toán lọc cộng tác (Collaborative Filtering).
  • Dữ liệu tuyển dụng có tính chất đa ngôn ngữ (tiếng Anh, tiếng Nhật, tiếng Việt) gây lệch pha ngữ nghĩa khi so khớp với hồ sơ ứng viên lập bằng tiếng Việt.
  • Định dạng CV của ứng viên đa dạng, phức tạp (nhiều tệp định dạng PDF, ảnh scan), gây trở ngại lớn cho việc bóc tách ký tự quang học và chuẩn hóa cấu trúc.
  • Bộ dữ liệu do sinh viên tự gán nhãn nên tính chuẩn hóa và độ tin cậy chuyên sâu vẫn cần đối soát thêm từ nhiều chuyên gia đầu ngành.

Hướng nghiên cứu tiếp theo:

  • Mở rộng phạm vi thu thập dữ liệu tuyển dụng từ nhiều nền tảng trực tuyến khác nhau để gia tăng quy mô và tính đa dạng của tập mẫu.
  • Tích hợp thêm các yếu tố ngữ cảnh chuyên sâu (Context-aware) như thời gian, địa điểm làm việc, biến động thị trường và xu hướng công nghệ mới.
  • Tiếp tục thu thập hành vi người dùng thực tế trên ứng dụng để làm đầy ma trận đánh giá, tiến tới hiện thực hóa phương pháp tiếp cận lai hoàn chỉnh (Hybrid approach kết hợp giữa lọc nội dung và lọc cộng tác).
  • Nâng cấp module trích xuất văn bản tự động từ các định dạng CV phức tạp và hỗ trợ cơ chế đối sánh đa ngôn ngữ.

Giá trị tham khảo

Báo cáo khóa luận mang lại giá trị tham khảo thiết thực cho sinh viên và người làm nghiên cứu:

  • Đối tượng thụ hưởng: Sinh viên chuyên ngành Kỹ thuật Phần mềm, Công nghệ Thông tin đang thực hiện đồ án tốt nghiệp về hệ thống khuyến nghị, thương mại điện tử dịch vụ, hoặc phát triển ứng dụng di động kết nối mạng xã hội việc làm.
  • Nội dung tham khảo giá trị:
    • Quy trình phân tích thiết kế phần mềm chi tiết: Hệ thống 18 biểu đồ tuần tự, lược đồ hoạt động, thiết kế cơ sở dữ liệu quan hệ 16 bảng chuẩn hóa và đặc tả biến cố chi tiết cho 58 màn hình ứng dụng.
    • Phương pháp xử lý bài toán dữ liệu thưa và khởi động lạnh (cold-start) trong hệ khuyến nghị bằng cách kết hợp lọc nội dung với Prompt Tuning qua LLM API.
    • Tài liệu tham khảo về kiến trúc tích hợp hệ thống hoàn chỉnh: Client di động (Google Store) – Backend API & Model API (Azure App Service) – Realtime Chat (SignalR) – Thanh toán số (VNPay).

Câu hỏi thường gặp

1. Khóa luận giải quyết vấn đề ma trận đánh giá thưa (sparsity) và thiếu lịch sử tương tác như thế nào?
Do hệ thống mới xây dựng có ít người dùng và chưa ghi nhận lịch sử tương tác thực tế giữa ứng viên với bài tuyển dụng, tác giả không thể áp dụng thuần túy thuật toán lọc cộng tác (CF). Thay vào đó, tác giả lựa chọn tập trung hiện thực hóa thuật toán lọc nội dung (Content-based), sử dụng vector đặc trưng TF-IDF, đo độ tương đồng Cosine kết hợp Prompt Tuning trên API ChatGPT-3.5 để trích xuất ngữ cảnh trực tiếp từ hồ sơ người dùng và mô tả công việc.

2. Bộ dữ liệu thực nghiệm của khóa luận có quy mô ra sao và được thu thập bằng cách nào?
Bộ dữ liệu gồm hơn 1.300 dòng dữ liệu tuyển dụng ngành CNTT bằng tiếng Việt, được tác giả thu thập tự động từ trang web VietnamWorks bằng công cụ tự động hóa kiểm thử Selenium, sau đó được nhóm sinh viên CNTT gán nhãn và có sự tham vấn, xác nhận từ các chuyên gia chuyên môn tại các doanh nghiệp CNTT.

3. Tác giả đã chỉ ra nhược điểm cụ thể nào trên hệ thống TopDev và TopCV qua khảo sát thực tế?
Khi khảo sát trên TopDev với thông tin kỹ năng và vị trí "Thực tập sinh flutter", "Dart flutter mobile", hệ thống không khuyến nghị được danh sách việc làm phù hợp sát với ngữ cảnh. Trên TopCV, khi tìm kiếm kỹ năng "backend java" với đối tượng hướng đến là "Thực tập sinh", hệ thống trả về bài đăng khớp từ khóa công nghệ nhưng vị trí tuyển dụng thực tế lại là cấp bậc cao hơn (Fresher, nhân viên chính thức), chưa lọc chính xác cấp độ mong muốn của ứng viên.

4. Khóa luận sử dụng các công nghệ chính nào để xây dựng và bảo mật hệ thống?
Hệ thống sử dụng Bcrypt để băm mật khẩu, JSON Web Token (JWT) để xác thực và phân quyền, Entity Framework Core và Sequelize ORM để quản lý dữ liệu, SignalR để xử lý nhắn tin tức thời, cổng thanh toán VNPay kết hợp ví nội bộ, hạ tầng đám mây Azure App Service để triển khai Web API và Model API, cùng ứng dụng di động phân phối qua Google Store.

5. Luồng xử lý một đơn đặt hàng công việc giữa Người tuyển dụng và Người ứng tuyển diễn ra như thế nào?
Người ứng tuyển chọn gói việc làm và thanh toán (qua Ví hoặc VNPay), đơn hàng được tạo ở trạng thái Created. Người tuyển dụng bấm "Start" để nhận việc, chuyển trạng thái sang Doing. Sau khi hoàn thành, nhà tuyển dụng đính kèm tệp kết quả định dạng zip và bấm "Delivery", đơn chuyển sang Delivered. Người ứng tuyển kiểm tra tệp: nếu đồng ý bấm "Accept" để chuyển thành Completed và hai bên tiến hành đánh giá lẫn nhau; nếu chưa hài lòng có thể bấm "Rework" để yêu cầu làm lại và đơn quay về trạng thái Doing.

Kết luận

Khóa luận của tác giả Lê Hải Phong đã hoàn thành việc nghiên cứu lý thuyết hệ khuyến nghị và giải quyết thách thức dữ liệu thưa bằng giải pháp lọc nội dung kết hợp kỹ thuật Prompt Tuning qua API ChatGPT-3.5. Đề tài đã xây dựng thành công bộ dữ liệu hơn 1.300 bản ghi việc làm CNTT tiếng Việt từ VietnamWorks và hiện thực hóa trọn vẹn một hệ thống phần mềm hướng dịch vụ gồm ứng dụng di động và hệ thống backend đám mây trên Azure. Mặc dù vẫn còn những hạn chế về độ phong phú nguồn dữ liệu và tính đa dạng ngôn ngữ, sản phẩm đã được triển khai thử nghiệm trên Google Store và ghi nhận những đánh giá tích cực từ sinh viên Trường Đại học Công nghệ Thông tin.