Xây Dựng Hệ Thống Hỗ Trợ Phân Loại Hồ Sơ Ứng Viên Chuyên Viên Công Nghệ Thông Tin

Tìm hiểu về xây dựng hệ thống hỗ trợ phân loại hồ sơ ứng viên CNTT. Luận văn thạc sĩ khoa học máy tính, giúp tối ưu quy trình tuyển dụng và quản lý hồ sơ.

• Tác giả: Đỗ Hồng Phúc
• Người hướng dẫn: PGS. TS Đỗ Văn Nhơn
• Trường học: Trường Đại học Quốc Tế Hồng Bàng
• Chuyên ngành: Khoa học máy tính
• Đề tài: Xây dựng Hệ Thống Hỗ Trợ Phân Loại Hồ Sơ Ứng Viên Chuyên Viên Công Nghệ Thông Tin
• Loại tài liệu: Luận văn Thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• NHẬN XÉT GIẢNG VIÊN
• DANH MỤC HÌNH VẼ
• DANH MỤC BẢNG BIỂU
• DANH MỤC TỪ VIẾT TẮT
• MỤC LỤC
• 1. MỞ ĐẦU
• 1.1. Giới thiệu về Tập đoàn Nguyễn Hoàng
• 1.2. Thông tin chung
• 1.3. Quy trình về tuyển dụng và các tiêu chí sàng lọc hồ sơ ứng viên thủ công
• 1.3.1. Quy trình tuyển dụng tại đơn vị
• 1.3.2. Các tiêu chí sàng lọc
• 1.3.3. Các phương pháp sàng lọc ứng viên
• 1.4. Các nghiên cứu liên quan
• 1.4.1. Các công trình nghiên cứu liên quan
• 1.4.2. Các ứng dụng liên quan
• 1.5. Mục tiêu đề tài
• 2. MÔ HÌNH HÓA ĐẶC TRƯNG HỒ SƠ ỨNG VIÊN – YÊU CẦU VỊ TRÍ TUYỂN DỤNG CÙNG MỘT SỐ VẤN ĐỀ VÀ KỸ THUẬT XỬ LÝ CƠ BẢN
• 2.1. Mô hình hóa các đặc trưng của một hồ sơ ứng viên chuyên viên công nghệ thông tin và vấn đề rút trích thông tin cùng thuật giải xử lý
• 2.1.1. Mô hình hóa các đặc trưng trong hồ sơ ứng viên
• 2.1.2. Vấn đề rút trích hồ sơ ứng viên dựa trên Ontology miền cùng kỹ thuật xử lý
• 2.2. Mô hình hóa các yêu cầu vị trí việc làm
• 2.2.1. Cấu trúc hóa của một tiêu chí trong yêu cầu công việc
• 2.2.2. Cấu trúc hóa một yêu cầu vị trí việc làm trong tuyển dụng chuyên viên Công nghệ Thông tin
• 3. MỘT SỐ LỚP BÀI TOÁN TRONG VIỆC PHÂN LOẠI HỒ SƠ ỨNG VIÊN VÀ THUẬT GIẢI
• 3.1. Bài toán đánh giá sự đáp ứng của ứng viên u với yêu cầu vị trí việc làm r và thuật giải xử lý
• 3.1.1. Mô hình bài toán
• 3.1.2. Thuật giải đánh giá sự đáp ứng của ứng viên u so với yêu cầu vị trí r
• 3.2. Bài toán đánh giá sự đáp ứng của tập ứng viên U theo một yêu cầu vị trí việc làm r và thuật giải
• 3.2.1. Phát biểu bài toán giá sự đáp ứng của tập ứng viên U theo một yêu cầu vị trí việc làm r
• 3.2.2. Thuật giải đánh giá sự đáp ứng của tập ứng viên U theo yêu cầu r
• 3.3. Vấn đề trong việc xếp hạng kết quả đáp ứng của tập ứng viên U và thuật giải
• 3.3.1. Bài toán đánh giá sự đáp ứng của tập ứng viên U với tập yêu cầu R và thuật giải
• 3.3.2. Phát biểu bài toán
• 3.4. Các bài toán phân loại và thuật giải
• 3.4.1. Bài toán phân loại danh sách hồ sơ U đạt theo yêu cầu vị trí tuyển dụng r và thuật giải
• 3.4.2. Bài toán phân loại được danh sách hồ sơ đạt theo danh sách yêu cầu R và thuật giải
• 3.4.3. Bài toán phân loại được các yêu cầu phù hợp với hồ sơ ứng viên u và thuật giải
• 4. THIẾT KẾ HỆ THỐNG PHÂN LOẠI HỒ SƠ ỨNG VIÊN
• 4.1. Phân tích và xác định các yêu cầu
• 4.2. Xác định yêu cầu chức năng
• 4.3. Kiến trúc hệ thống
• 4.4. Cấu trúc tổ chức các Database và Knowledge Base của hệ thống
• 4.5. Cài đặt thử nghiệm và đánh giá kết quả
• 4.5.1. Kết quả đạt được
• 4.5.2. Hạn chế và hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Hệ Thống Phân Loại Hồ Sơ Ứng Viên CNTT 55

Bài toán tuyển dụng nhân sự CNTT đang đặt ra nhiều thách thức, đặc biệt khi số lượng hồ sơ ngày càng tăng. Việc phân loại hồ sơ ứng viên CNTT thủ công tốn nhiều thời gian và công sức. Một hệ thống hỗ trợ phân loại hồ sơ tự động là vô cùng cần thiết để nâng cao hiệu quả. Hệ thống này giúp sàng lọc nhanh chóng, đánh giá khách quan và giảm thiểu sai sót. Theo tài liệu nghiên cứu, Tập đoàn Nguyễn Hoàng tiếp nhận hàng ngàn hồ sơ mỗi năm, cho thấy nhu cầu cấp thiết về giải pháp tự động hóa. Luận văn này tập trung vào xây dựng một hệ thống hỗ trợ phân loại hồ sơ ứng viên chuyên viên công nghệ thông tin để giải quyết bài toán này, góp phần hỗ trợ tuyển dụng CNTT hiệu quả hơn. Hệ thống cần trang bị khả năng nhận diện thông tin trong hồ sơ và yêu cầu công việc, từ đó so sánh và đánh giá mức độ phù hợp.

1.1. Tầm Quan Trọng của Phân Loại Hồ Sơ Ứng Viên CNTT

Việc phân loại hồ sơ ứng viên CNTT hiệu quả giúp doanh nghiệp tiết kiệm thời gian và chi phí. Nó cho phép nhà tuyển dụng tập trung vào những ứng viên tiềm năng nhất, nâng cao chất lượng tuyển dụng và giảm tỷ lệ nghỉ việc sau thử việc. Ngoài ra, tự động hóa phân loại hồ sơ đảm bảo tính khách quan, loại bỏ các yếu tố chủ quan có thể ảnh hưởng đến quyết định tuyển dụng. Dữ liệu từ CV được trích xuất và phân tích một cách hệ thống, cung cấp thông tin chi tiết về kỹ năng, kinh nghiệm và trình độ của ứng viên, từ đó đưa ra đánh giá chính xác và toàn diện.

1.2. Mục Tiêu và Phạm Vi Nghiên Cứu Luận Văn

Luận văn này hướng đến xây dựng một hệ thống hỗ trợ phân loại hồ sơ hoàn chỉnh, bao gồm các khâu: trích xuất đặc trưng hồ sơ, đánh giá và phân loại dựa trên yêu cầu vị trí. Phạm vi nghiên cứu tập trung vào vị trí chuyên viên CNTT và các kỹ năng, kinh nghiệm liên quan. Mục tiêu là tạo ra một hệ thống có khả năng đánh giá năng lực ứng viên CNTT một cách tự động, khách quan và hiệu quả, từ đó giúp nhà tuyển dụng đưa ra quyết định chính xác hơn. Kết quả nghiên cứu sẽ đóng góp vào việc nâng cao hiệu quả tuyển dụng nhân sự CNTT và giải quyết bài toán quản lý hồ sơ ứng viên phức tạp.

II. Thách Thức Phân Loại Hồ Sơ Ứng Viên CNTT Hiện Nay 58

Quy trình tuyển dụng nhân sự CNTT hiện nay đối mặt với nhiều thách thức. Việc xử lý khối lượng lớn hồ sơ thủ công tốn nhiều thời gian. Đánh giá năng lực ứng viên dựa trên kinh nghiệm chủ quan dễ dẫn đến sai sót. Các phần mềm quản lý tuyển dụng hiện tại chưa đáp ứng được nhu cầu phân loại hồ sơ chuyên sâu. Theo nghiên cứu, các công cụ hiện có chỉ tập trung vào trích xuất thông tin từ CV cơ bản, chưa có khả năng đánh giá toàn diện và đưa ra kết luận chính xác. Yêu cầu đặt ra là xây dựng hệ thống có khả năng vượt qua các hạn chế này, cung cấp giải pháp tuyển dụng thông minh và hiệu quả hơn.

2.1. Khó Khăn Trong Xử Lý Khối Lượng Lớn Hồ Sơ CNTT

Số lượng hồ sơ ứng viên ngày càng tăng gây áp lực lớn cho bộ phận nhân sự. Việc sàng lọc thủ công tốn nhiều thời gian và công sức, ảnh hưởng đến hiệu quả chung của quy trình tuyển dụng nhân sự CNTT. Hơn nữa, việc đảm bảo tính khách quan trong quá trình đánh giá là một thách thức không nhỏ. Hệ thống cần có khả năng tự động phân loại hồ sơ dựa trên các tiêu chí rõ ràng, loại bỏ các yếu tố cảm tính và đảm bảo công bằng cho tất cả ứng viên. Việc chuẩn hóa dữ liệu hồ sơ ứng viên cũng là một yếu tố quan trọng, giúp hệ thống xử lý thông tin hiệu quả hơn.

2.2. Hạn Chế của Phương Pháp Đánh Giá Năng Lực Thủ Công

Đánh giá năng lực ứng viên dựa trên kinh nghiệm chủ quan của nhà tuyển dụng có thể dẫn đến sai sót và bỏ lỡ những ứng viên tiềm năng. Các tiêu chí đánh giá thường không rõ ràng, gây khó khăn trong việc so sánh và lựa chọn. Hơn nữa, việc đánh giá kỹ năng mềm và kinh nghiệm thực tế của ứng viên là một thách thức lớn. Hệ thống cần có khả năng phân tích CV ứng viên một cách chi tiết, trích xuất thông tin từ CV quan trọng và đưa ra đánh giá khách quan về năng lực của ứng viên, từ đó hỗ trợ tuyển dụng CNTT hiệu quả.

2.3. Yếu kém trong việc khai thác big data ứng viên CNTT

Số lượng thông tin ứng viên CNTT hiện nay rất lớn và đa dạng, đòi hỏi các phương pháp khai thác và phân tích dữ liệu hiệu quả. Việc sử dụng Big Data trong tuyển dụng còn nhiều hạn chế, dẫn đến bỏ lỡ các cơ hội tìm kiếm ứng viên tiềm năng và tối ưu hóa quy trình tuyển dụng. Hệ thống cần tích hợp các công cụ phân tích dữ liệu mạnh mẽ, có khả năng xử lý cơ sở dữ liệu hồ sơ ứng viên lớn và đưa ra các gợi ý, dự đoán hữu ích cho nhà tuyển dụng. Từ đó, giải pháp tuyển dụng thông minh được xây dựng dựa trên nền tảng Big Data và giúp doanh nghiệp tìm kiếm ứng viên phù hợp nhất.

III. Phương Pháp Xây Dựng Hệ Thống Phân Loại Hồ Sơ CNTT 59

Luận văn đề xuất phương pháp xây dựng hệ thống hỗ trợ phân loại hồ sơ ứng viên dựa trên Machine Learning trong tuyển dụng và xử lý ngôn ngữ tự nhiên (NLP) trong tuyển dụng. Phương pháp này bao gồm các bước: thu thập và chuẩn hóa dữ liệu hồ sơ ứng viên, xây dựng mô hình phân loại hồ sơ dựa trên thuật toán phân loại phù hợp, và đánh giá độ chính xác phân loại của hệ thống. Hệ thống sử dụng cơ sở dữ liệu hồ sơ ứng viên lớn để huấn luyện mô hình, đảm bảo khả năng phân loại hồ sơ ứng viên CNTT chính xác và hiệu quả. Theo tài liệu nghiên cứu, mô hình BERT-BiLSTM-CRF được sử dụng để trích xuất thông tin từ hồ sơ.

3.1. Ứng Dụng Machine Learning và NLP trong Phân Loại Hồ Sơ

Machine Learning trong tuyển dụng cho phép hệ thống tự động học từ dữ liệu và cải thiện khả năng phân loại hồ sơ theo thời gian. Xử lý ngôn ngữ tự nhiên (NLP) trong tuyển dụng giúp hệ thống hiểu được nội dung của hồ sơ ứng viên và trích xuất thông tin quan trọng như kỹ năng, kinh nghiệm và trình độ. Sự kết hợp của hai công nghệ này tạo ra một hệ thống thông minh, có khả năng đánh giá ứng viên một cách toàn diện và chính xác. Các thuật toán phân loại như Naive Bayes, SVM và Random Forest được sử dụng để xây dựng mô hình phân loại hồ sơ.

3.2. Quy Trình Xây Dựng Mô Hình Phân Loại Hồ Sơ Ứng Viên

Quy trình xây dựng mô hình phân loại hồ sơ bao gồm các bước: thu thập dữ liệu, tiền xử lý dữ liệu, trích xuất đặc trưng, huấn luyện mô hình và đánh giá mô hình. Dữ liệu được thu thập từ nhiều nguồn khác nhau, bao gồm cơ sở dữ liệu hồ sơ ứng viên, trang web tuyển dụng và mạng xã hội. Sau khi thu thập, dữ liệu được tiền xử lý để loại bỏ các thông tin không liên quan và chuẩn hóa dữ liệu hồ sơ ứng viên. Tiếp theo, các đặc trưng quan trọng được trích xuất từ dữ liệu và sử dụng để huấn luyện mô hình phân loại hồ sơ.

IV. Thiết Kế Hệ Thống Hỗ Trợ Phân Loại Hồ Sơ CNTT 57

Hệ thống được thiết kế theo kiến trúc phân lớp, bao gồm các module: module thu thập và chuẩn hóa dữ liệu hồ sơ ứng viên, module trích xuất thông tin từ CV, module phân loại hồ sơ ứng viên CNTT và module hiển thị kết quả. Hệ thống sử dụng cơ sở dữ liệu hồ sơ ứng viên để lưu trữ thông tin và Knowledge Base để lưu trữ các quy tắc phân loại hồ sơ. Giao diện người dùng được thiết kế thân thiện, dễ sử dụng, cho phép nhà tuyển dụng dễ dàng tìm kiếm, xem và đánh giá ứng viên.

4.1. Kiến Trúc Hệ Thống Phân Loại Hồ Sơ Ứng Viên

Hệ thống được thiết kế theo kiến trúc phân lớp, giúp dễ dàng mở rộng và bảo trì. Mỗi module thực hiện một chức năng cụ thể, đảm bảo tính module hóa và tái sử dụng. Module thu thập và chuẩn hóa dữ liệu hồ sơ ứng viên chịu trách nhiệm thu thập dữ liệu từ nhiều nguồn khác nhau và chuyển đổi dữ liệu về một định dạng chuẩn. Module trích xuất thông tin từ CV sử dụng xử lý ngôn ngữ tự nhiên (NLP) trong tuyển dụng để trích xuất thông tin quan trọng từ hồ sơ ứng viên. Module phân loại hồ sơ ứng viên CNTT sử dụng Machine Learning trong tuyển dụng để phân loại hồ sơ dựa trên các tiêu chí được định nghĩa.

4.2. Cấu Trúc Dữ Liệu và Cơ Sở Tri Thức Hệ Thống

Cơ sở dữ liệu hồ sơ ứng viên được thiết kế để lưu trữ thông tin về ứng viên một cách có cấu trúc. Các bảng dữ liệu được thiết kế để lưu trữ thông tin cá nhân, kinh nghiệm làm việc, kỹ năng và trình độ của ứng viên. Knowledge Base được sử dụng để lưu trữ các quy tắc phân loại hồ sơ, giúp hệ thống đưa ra quyết định chính xác hơn. Các quy tắc này được định nghĩa dựa trên kinh nghiệm của các chuyên gia tuyển dụng và các tiêu chí tuyển dụng của doanh nghiệp.

V. Kết Quả Thử Nghiệm và Đánh Giá Hệ Thống Phân Loại 60

Hệ thống được thử nghiệm với cơ sở dữ liệu hồ sơ ứng viên thực tế và cho kết quả khả quan. Độ chính xác phân loại đạt mức cao, cho thấy khả năng phân loại hồ sơ ứng viên CNTT hiệu quả của hệ thống. Kết quả thử nghiệm cũng cho thấy hệ thống giúp tiết kiệm đáng kể thời gian và chi phí tuyển dụng nhân sự CNTT. Theo tài liệu nghiên cứu, kết quả thử nghiệm khả năng rút trích cùng độ chính xác theo đặc trưng của hồ sơ cho thấy tính hiệu quả của hệ thống.

5.1. Đánh Giá Độ Chính Xác và Hiệu Quả Phân Loại Hồ Sơ

Độ chính xác phân loại là một trong những tiêu chí quan trọng nhất để đánh giá hiệu quả của hệ thống. Kết quả thử nghiệm cho thấy hệ thống đạt được độ chính xác cao, cho thấy khả năng phân loại hồ sơ ứng viên CNTT chính xác. Hiệu quả phân loại cũng được đánh giá dựa trên thời gian và chi phí tiết kiệm được. Kết quả cho thấy hệ thống giúp tiết kiệm đáng kể thời gian và chi phí tuyển dụng nhân sự CNTT.

5.2. Phân Tích Ưu Điểm và Hạn Chế của Hệ Thống

Hệ thống có nhiều ưu điểm như: khả năng phân loại hồ sơ chính xác, tiết kiệm thời gian và chi phí, giao diện người dùng thân thiện, dễ sử dụng. Tuy nhiên, hệ thống cũng có một số hạn chế như: yêu cầu cơ sở dữ liệu hồ sơ ứng viên lớn để huấn luyện mô hình, khả năng xử lý các hồ sơ ứng viên có định dạng không chuẩn còn hạn chế. Trong tương lai, hệ thống sẽ được cải thiện để khắc phục các hạn chế này và nâng cao hiệu quả phân loại hồ sơ.

VI. Kết Luận và Hướng Phát Triển Hệ Thống Tuyển Dụng 55

Luận văn đã trình bày phương pháp xây dựng hệ thống hỗ trợ phân loại hồ sơ ứng viên CNTT dựa trên Machine Learning trong tuyển dụng và xử lý ngôn ngữ tự nhiên (NLP) trong tuyển dụng. Hệ thống có khả năng phân loại hồ sơ ứng viên CNTT chính xác và hiệu quả, giúp tiết kiệm thời gian và chi phí tuyển dụng nhân sự CNTT. Trong tương lai, hệ thống sẽ được mở rộng để hỗ trợ tuyển dụng cho nhiều vị trí khác nhau và tích hợp với các phần mềm quản lý tuyển dụng hiện có.

6.1. Tóm Tắt Kết Quả Nghiên Cứu và Đóng Góp Thực Tiễn

Luận văn đã đóng góp vào việc giải quyết bài toán phân loại hồ sơ ứng viên CNTT, một vấn đề quan trọng trong tuyển dụng nhân sự CNTT. Hệ thống được xây dựng có khả năng phân loại hồ sơ ứng viên CNTT chính xác và hiệu quả, giúp tiết kiệm thời gian và chi phí. Kết quả nghiên cứu có thể được ứng dụng trong thực tế để nâng cao hiệu quả tuyển dụng nhân sự CNTT và giải quyết bài toán quản lý hồ sơ ứng viên phức tạp.

6.2. Hướng Phát Triển và Ứng Dụng Hệ Thống trong Tương Lai

Trong tương lai, hệ thống sẽ được mở rộng để hỗ trợ tuyển dụng cho nhiều vị trí khác nhau và tích hợp với các phần mềm quản lý tuyển dụng hiện có. Hệ thống cũng sẽ được cải thiện để nâng cao khả năng xử lý các hồ sơ ứng viên có định dạng không chuẩn và tích hợp các công nghệ mới như Big Data trong tuyển dụng và ứng dụng AI trong tuyển dụng. Hệ thống gợi ý ứng viên phù hợp cũng sẽ được phát triển để giúp nhà tuyển dụng tìm kiếm ứng viên tiềm năng một cách dễ dàng hơn.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh cạnh tranh ngày càng gay gắt về nguồn nhân lực chất lượng cao, việc tuyển dụng nhân sự phù hợp đóng vai trò then chốt trong sự phát triển bền vững của các tổ chức, đặc biệt là trong lĩnh vực Công nghệ Thông tin (CNTT). Tập đoàn Giáo dục Nguyễn Hoàng, với hơn 60 cơ sở giáo dục trên 24 tỉnh thành và hơn 90.000 học sinh – sinh viên, mỗi năm tiếp nhận hàng ngàn hồ sơ ứng tuyển, trong đó có hàng trăm hồ sơ cho vị trí chuyên viên CNTT. Quy trình tuyển dụng hiện tại chủ yếu dựa trên phương pháp thủ công, gây tốn kém thời gian, công sức và chi phí. Do đó, việc xây dựng một hệ thống hỗ trợ phân loại hồ sơ ứng viên tự động, chính xác và hiệu quả là nhu cầu cấp thiết.

Mục tiêu nghiên cứu của luận văn là thiết kế và triển khai hệ thống hỗ trợ phân loại hồ sơ ứng viên chuyên viên CNTT, giúp tự động rút trích đặc trưng từ hồ sơ, đánh giá sự phù hợp với yêu cầu vị trí việc làm và phân loại hồ sơ theo mức độ đáp ứng. Nghiên cứu tập trung trong phạm vi tuyển dụng tại Tập đoàn Nguyễn Hoàng, với dữ liệu thu thập từ các hồ sơ dạng file *.pdf và *.docx trong năm 2023-2024. Hệ thống được kỳ vọng góp phần nâng cao hiệu quả tuyển dụng, giảm thiểu chi phí và thời gian xử lý hồ sơ, đồng thời đảm bảo tính công bằng và minh bạch trong quy trình tuyển dụng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn vận dụng hai khung lý thuyết chính:

1. Ontology miền tri thức tuyển dụng CNTT: Mô hình hóa các đặc trưng hồ sơ ứng viên và yêu cầu vị trí việc làm dựa trên tập từ khóa (keywords), lớp từ khóa (classes) và quan hệ giữa các từ khóa (relations). Ontology này giúp hệ thống hiểu và phân loại thông tin trong hồ sơ một cách chính xác, bao gồm các thành phần như thông tin cá nhân, trình độ đào tạo, kỹ năng chuyên môn, kỹ năng mềm, kinh nghiệm làm việc, dự án, chứng chỉ, giải thưởng, hoạt động ngoại khóa và sở thích.

2. Mô hình đánh giá sự đáp ứng hồ sơ ứng viên: Dựa trên các tiêu chí tuyển dụng được cấu trúc hóa thành các bộ tiêu chí con với mức độ quan trọng khác nhau, hệ thống đánh giá từng tiêu chí và tổng hợp thành điểm phần trăm đáp ứng. Mô hình này sử dụng thuật toán so sánh dựa trên Ontology miền để xác định mức độ phù hợp của hồ sơ với yêu cầu vị trí việc làm.

Các khái niệm chính bao gồm: CV (Curriculum Vitae), Ontology miền, tiêu chí tuyển dụng (criteria), mức độ đáp ứng (percent), và trạng thái đạt/không đạt (status).

Phương pháp nghiên cứu

Nguồn dữ liệu chính là tập hợp khoảng 49 hồ sơ ứng viên chuyên viên CNTT dưới dạng file *.pdf và *.docx thu thập từ Tập đoàn Nguyễn Hoàng trong năm 2023-2024. Phương pháp chọn mẫu là chọn ngẫu nhiên các hồ sơ ứng viên đã nộp cho vị trí chuyên viên CNTT nhằm đảm bảo tính đại diện.

Phương pháp phân tích bao gồm:

• Rút trích đặc trưng hồ sơ: Sử dụng thư viện Microsoft Word Object Library để đọc nội dung file CV, kết hợp với kỹ thuật xử lý ngôn ngữ tự nhiên và Ontology miền để phân tích, trích xuất các thành phần thông tin quan trọng.

• Đánh giá sự đáp ứng: Áp dụng thuật toán đánh giá dựa trên mô hình Ontology miền và các tiêu chí tuyển dụng đã cấu trúc, tính toán điểm phần trăm đáp ứng từng tiêu chí và tổng hợp kết quả.

• Phân loại hồ sơ: Dựa trên điểm đánh giá tổng hợp, hệ thống phân loại hồ sơ thành các nhóm đạt hoặc không đạt yêu cầu.

Quá trình nghiên cứu được thực hiện trong khoảng thời gian từ tháng 1 đến tháng 6 năm 2024, bao gồm thu thập dữ liệu, xây dựng mô hình, cài đặt hệ thống thử nghiệm và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả rút trích đặc trưng hồ sơ: Hệ thống đã tự động rút trích thành công các thành phần thông tin trong hồ sơ ứng viên với độ chính xác trung bình đạt khoảng 92%, vượt trội hơn so với các phương pháp thủ công và một số phần mềm thương mại hiện có.

2. Đánh giá sự đáp ứng theo tiêu chí tuyển dụng: Qua thử nghiệm trên 49 hồ sơ, hệ thống phân loại chính xác 87% hồ sơ đạt yêu cầu vị trí chuyên viên CNTT dựa trên các tiêu chí như trình độ đào tạo, kỹ năng chuyên môn, kỹ năng lập trình và kỹ năng mềm.

3. Tiết kiệm thời gian và chi phí: So với phương pháp thủ công, hệ thống giúp giảm thời gian xử lý hồ sơ xuống còn khoảng 30%, đồng thời giảm chi phí nhân sự cho bộ phận tuyển dụng khoảng 25%.

4. Tính công bằng và minh bạch: Hệ thống loại bỏ được các yếu tố chủ quan trong sàng lọc hồ sơ như ngoại hình, màu sắc CV, giúp đảm bảo đánh giá khách quan dựa trên tiêu chí chuyên môn.

Thảo luận kết quả

Nguyên nhân của hiệu quả trên là do việc áp dụng Ontology miền giúp hệ thống hiểu sâu sắc cấu trúc và nội dung hồ sơ, từ đó rút trích thông tin chính xác hơn. Kết quả đánh giá sự đáp ứng dựa trên mô hình tiêu chí có trọng số giúp phân loại hồ sơ một cách khoa học và minh bạch.

So sánh với các nghiên cứu trước đây, hệ thống này không chỉ tập trung vào rút trích thông tin mà còn tích hợp đánh giá và phân loại hồ sơ theo quy trình tuyển dụng thực tế, tạo nên giải pháp toàn diện hơn. Kết quả có thể được trình bày qua biểu đồ cột thể hiện tỷ lệ hồ sơ đạt và không đạt theo từng tiêu chí, hoặc bảng tổng hợp điểm phần trăm đáp ứng của từng hồ sơ.

Hệ thống còn có hạn chế về khả năng xử lý các hồ sơ có định dạng phức tạp hoặc thông tin không chuẩn hóa, đây là hướng phát triển tiếp theo nhằm nâng cao độ chính xác và mở rộng phạm vi ứng dụng.

Đề xuất và khuyến nghị

1. Triển khai hệ thống tại các đơn vị trực thuộc Tập đoàn Nguyễn Hoàng: Áp dụng hệ thống phân loại hồ sơ tự động trong quy trình tuyển dụng chuyên viên CNTT nhằm tăng hiệu quả và giảm chi phí. Thời gian thực hiện dự kiến trong 6 tháng, do phòng nhân sự phối hợp với bộ phận CNTT triển khai.

2. Đào tạo nhân sự sử dụng hệ thống: Tổ chức các khóa đào tạo cho cán bộ tuyển dụng về cách vận hành và khai thác hệ thống, đảm bảo sử dụng hiệu quả các tính năng phân loại và đánh giá hồ sơ. Thời gian đào tạo trong 1 tháng trước khi triển khai chính thức.

3. Mở rộng phạm vi ứng dụng: Nghiên cứu và phát triển thêm các module hỗ trợ phân loại hồ sơ cho các vị trí khác ngoài chuyên viên CNTT, như marketing, quản lý dự án, nhằm đa dạng hóa công cụ tuyển dụng. Kế hoạch phát triển trong 12 tháng tiếp theo.

4. Cải tiến thuật toán xử lý hồ sơ: Tích hợp thêm các kỹ thuật học sâu và xử lý ngôn ngữ tự nhiên nâng cao để xử lý các hồ sơ có cấu trúc phức tạp, tăng độ chính xác rút trích thông tin. Chủ thể thực hiện là nhóm nghiên cứu CNTT, thời gian dự kiến 9 tháng.

5. Xây dựng hệ thống báo cáo và phân tích dữ liệu tuyển dụng: Phát triển các báo cáo trực quan giúp nhà quản lý theo dõi hiệu quả tuyển dụng, phân tích xu hướng hồ sơ ứng viên theo thời gian. Thời gian triển khai 3 tháng, do phòng CNTT và phòng nhân sự phối hợp.

Đối tượng nên tham khảo luận văn

1. Phòng nhân sự các doanh nghiệp và tập đoàn lớn: Giúp tối ưu hóa quy trình tuyển dụng, giảm thiểu thời gian và chi phí sàng lọc hồ sơ, nâng cao chất lượng tuyển dụng.

2. Các nhà phát triển phần mềm quản lý nhân sự: Cung cấp cơ sở lý thuyết và mô hình để phát triển các giải pháp tự động hóa trong tuyển dụng, đặc biệt là phân loại và đánh giá hồ sơ ứng viên.

3. Các nhà nghiên cứu và sinh viên ngành Khoa học máy tính, Công nghệ Thông tin: Tham khảo mô hình Ontology miền, thuật toán xử lý ngôn ngữ tự nhiên và ứng dụng trong bài toán thực tế về tuyển dụng.

4. Các tổ chức giáo dục và đào tạo: Áp dụng hệ thống để đánh giá hồ sơ ứng viên tuyển sinh hoặc tuyển dụng giảng viên, đảm bảo lựa chọn đúng người phù hợp với yêu cầu chuyên môn.

Câu hỏi thường gặp

1. Hệ thống có thể xử lý những định dạng hồ sơ nào?
   Hệ thống hiện hỗ trợ đọc và trích xuất thông tin từ các file hồ sơ định dạng *.pdf và *.docx, sử dụng thư viện Microsoft Word Object Library để đảm bảo độ chính xác cao trong việc đọc nội dung.

2. Độ chính xác của hệ thống trong việc phân loại hồ sơ là bao nhiêu?
   Theo kết quả thử nghiệm trên 49 hồ sơ, hệ thống đạt độ chính xác khoảng 87% trong việc phân loại hồ sơ đạt hoặc không đạt yêu cầu vị trí chuyên viên CNTT.

3. Hệ thống có thể áp dụng cho các vị trí tuyển dụng khác ngoài chuyên viên CNTT không?
   Hiện tại hệ thống được thiết kế chuyên biệt cho vị trí chuyên viên CNTT, tuy nhiên mô hình và thuật toán có thể được mở rộng và tùy chỉnh để áp dụng cho các vị trí khác trong tương lai.

4. Làm thế nào hệ thống đảm bảo tính công bằng trong tuyển dụng?
   Hệ thống loại bỏ các yếu tố chủ quan như ngoại hình, màu sắc CV, tập trung đánh giá dựa trên các tiêu chí chuyên môn và kỹ năng được cấu trúc hóa, giúp đảm bảo quy trình tuyển dụng minh bạch và công bằng.

5. Thời gian triển khai hệ thống trong doanh nghiệp là bao lâu?
   Thời gian triển khai dự kiến khoảng 6 tháng, bao gồm cài đặt, đào tạo nhân sự và vận hành thử nghiệm, tùy thuộc vào quy mô và yêu cầu cụ thể của doanh nghiệp.

Kết luận

• Đã xây dựng thành công mô hình Ontology miền tri thức tuyển dụng chuyên viên CNTT, giúp rút trích và cấu trúc hóa thông tin hồ sơ ứng viên một cách chính xác.
• Phát triển thuật toán đánh giá và phân loại hồ sơ dựa trên các tiêu chí tuyển dụng có trọng số, đạt độ chính xác phân loại khoảng 87%.
• Hệ thống giúp tiết kiệm thời gian xử lý hồ sơ khoảng 30% và giảm chi phí nhân sự tuyển dụng khoảng 25%.
• Đề xuất các giải pháp triển khai, đào tạo và mở rộng ứng dụng hệ thống trong doanh nghiệp và các lĩnh vực khác.
• Hướng phát triển tiếp theo tập trung vào cải tiến thuật toán xử lý hồ sơ phức tạp và xây dựng hệ thống báo cáo phân tích dữ liệu tuyển dụng.

Luận văn khuyến nghị các tổ chức, doanh nghiệp và nhà phát triển phần mềm quan tâm nghiên cứu và ứng dụng hệ thống nhằm nâng cao hiệu quả tuyển dụng. Để biết thêm chi tiết và triển khai thực tế, độc giả có thể liên hệ với tác giả hoặc đơn vị nghiên cứu để được hỗ trợ tư vấn chuyên sâu.

Trích đoạn nội dung tài liệu

đặt vấn đề việc dữ liệu đầu vào là các file mềm (*.docx|*doc hay *.pdf) và cũng chưa xét bài toán trong đánh giá, hay quy trình tuyển dụng. Nhóm tác giả trong công trình [9], cũng đã có những khảo sát bài toán gán nhãn trong xử lý ngôn ngữ tự nhiên (NLP – Natural Language Processing), dựa trên cách tiếp cận học máy hay học sâu. Bài báo đã chỉ dẫn các kết quả nghiên cứu liên quan đến giải bài toán gãn nhãn cho dữ liệu. Tuy nhiên, các kết quả này chỉ dừng lại ở việc gán nhãn dữ liệu, cũng giống như công trình [16], chưa quan tâm đến việc dữ liệu đầu vào là các file mềm (*.docx|*doc hay *.pdf) và cũng chưa xét bài toán trong đánh giá, hay quy trình tuyển dụng trong một ứng dụng cụ thể.2 Các ứng dụng liên quan Phần mềm [6], Shiring là phần mềm hỗ trợ trong công tác tuyển dụng nhân sự ngành Công nghệ thông tin.

Nền tảng hỗ trợ quy trình hóa được nghiệp vụ quản lý hay tuyển dụng trong nhân sự. Bên cạnh đó, phần mềm cũng hỗ trợ tính năng Resum- Parser cho phép rút trích thông tin CV một cách tự động. Cùng một số tính năng khác như cho phép tổ chức, quản lý, lưu lại thông tin các CV và xây dựng các yêu cầu trong việc tuyển dụng, và các thông tin trong báo cáo phân tích. Phần mềm [1], Base E-Hiring cũng là một trong những giải pháp thương mại cung cấp chức năng hỗ trợ quy trình trong tuyển dụng nhân sự.

Trong đó các chức năng nổi bậc như: đồng bộ được các CV từ các trang web tuyển dụng trên internet, cho phép hay cung cấp chức năng tìm kiếm thông tin CV theo từ khóa (họ tên, số điện thoại, vv…). Tuy nhiên, phần mềm chưa hỗ trợ được khả năng trích xuất thông tin của ứng viên từ CV (từ file *.docx hoặc file *.pdf), cũng như không hỗ trợ được phân loại CV. 10 Phần mềm [2], CoffeeHR cũng là một giải pháp thương mại trong quản lý nhân sự. Phần mềm cung cấp tính năng quản lý các hồ sơ ứng viên, cho phép kết nối các tài nguyên (gồm các hồ sơ việc làm) trên một số trang web tuyển dụng trên internet.

Bên cạnh đó, phần mềm cũng cung cấp các tính năng như lọc thông tin ứng viên CV theo một số đặc trưng tùy chỉnh, cho phép đánh giá và chấm điểm hồ sơ ứng viên trên hệ thống để sắp xếp các thứ tự ưu tiên. Tuy nhiên phần mềm không hỗ trợ chức năng trích xuất các thông tin đặc trưng bên trong một hồ sơ ứng viên (file *.docx hoặc file *.pdf), nhà tuyển dụng buộc phải tạo hồ sơ ứng viên một cách thủ công, và chức năng lọc thông tin chỉ hỗ trợ lọc được các đặc trưng cơ bản như địa chỉ email, số điện thoại. Phần mềm [5], FastWork HRM+ là một giải pháp trong việc quản trị nhân sự, tuyển dụng của doanh nghiệp. Phần mềm này hỗ trợ các tính năng như: tạo và quản lý các hồ sơ ứng viên (nhập thông tin hay các đặc trưng thủ công qua giao diện), tính năng tra cứu thông tin ứng viên như bằng cấp, thông tin liên hệ.

Phần mềm chưa hỗ trợ được các tính năng như trích xuất thông tin CV (*.docx hoặc file *.pdf), chưa hỗ trợ tốt trong tính năng đánh giá thông tin của một CV.3 Mục tiêu đề tài Mục tiêu đề tài đó là đưa ra giải pháp thiết kế lớp ứng dụng có khả năng phân loại và đánh giá tự động các hồ sơ ứng viên theo yêu cầu vị trí của việc làm trong phạm vi tuyển dụng nhân sự chuyên viên công nghệ thông tin. Để đạt được mục tiêu này trong đề tài cần phải thực hiện được hai mục tiêu chi tiết bên dưới: (1) Mục tiêu về đề xuất giải pháp thiết kế Đề xuất mô hình hay cấu trúc hóa được các đặc trưng của một hồ sơ ứng viên. Đề tài cần đề xuất được các đặc trưng phổ biến của một ứng viên chuyên ngành về công nghệ thông tin. Từ đó, đề xuất lớp bài toán trong việc toán rút trích tự động các thông tin của một hồ sơ ứng viên.

Làm cơ sở để thực hiện việc lựa chọn, đánh giá sự phù hợp theo yêu cầu vị trí việc làm. 11 Cấu trúc hóa được các yêu cầu của từng vị trí việc trong phạm vi chuyên viên công nghệ thông tin, và nghiên cứu lớp bài toán trong việc đánh giá sự đáp ứng của một hồ sơ ứng viên theo yêu cầu vị trí việc làm. Xem xét một số lớp bài toán trong phân loại hồ sơ ứng viên và đề xuất các thuật giải để giải quyết bài toán. (2) Mục tiêu về yêu cầu của ứng dụng Một hệ thống hệ thống phân loại hồ sơ ứng viên là chuyên viên công nghệ thông tin cần có những chức năng sau đây: ❖ Về nghiệp vụ quản lý o Quản lý danh sách các hồ sơ ứng viên o Quản lý danh sách thông tin về yêu cầu của vị trí việc làm liên quan đến vị trí chuyên viên Công nghệ thông tin.

❖ Về nghiệp vụ chính o Hệ thống có khả năng rút trích tự động được các đặc trưng của hồ sơ ứng viên từ hồ sơ của ứng viên. o Hệ thống có khả năng đưa ra các đánh giá về tính đáp ứng của hồ sơ ứng viên theo yêu cầu của vị trí việc làm o Hệ thống có khả năng đưa ra kết luật về khả năng đáp ứng của hồ sơ ứng viên theo yêu cầu của vị trí việc làm 12 CHƯƠNG 2. MÔ HÌNH HÓA ĐẶC TRƯNG HỒ SƠ ỨNG VIÊN – YÊU CẦU VỊ TRÍ TUYỂN DỤNG CÙNG MỘT SỐ VẤN ĐỀ VÀ KỸ THUẬT XỬ LÝ CƠ BẢN Chương này sẽ trình bày một số giải pháp làm cơ sở, hướng đến thiết kế lớp ứng dụng có khả năng phân loại hồ sơ ứng viên tự động. Giải pháp gồm hai phần (1) phần đề xuất mô hình hóa cho cấu trúc của một hồ sơ ứng viên là chuyên viên công nghệ thông tin.

Với cấu trúc được đề xuất, đề tài cũng xem xét lớp bài toán rút trích đặc trưng từ hồ sơ là các mẫu hồ sơ dạng file *.pdf, cùng các thuật giải xử lý dựa trên ontology miền. (2) phần mô hình hóa cấu trúc của yêu cầu từng vị trí việc làm và xem xét lớp bài toán đánh giá sự đáp ứng của một ứng viên của một yêu cầu vị trí việc làm cùng các thuật giải xử lý.1 Mô hình hóa các đặc trưng của một hồ sơ ứng viên chuyên viên công nghệ thông tin và vấn đề rút trích thông tin cùng thuật giải xử lý 2.1 Mô hình hóa các đặc trưng trong hồ sơ ứng viên Để có thể tự động nhận diện các đặc trưng và xử lý được đặc trưng của một hồ sơ ứng viên chuyên viên công nghệ thông tin, các đặc trưng này cần phải được mô hình hay cấu trúc hóa. Qua quá trình thu thập (phụ lục A) hồ sơ là các tài liệu dạng *.pdf cùng với sự quan sát, phân tích.1 Cấu trúc một hồ sơ u, gọi tắt là CV (Curriculum Vitae) của ứng viên u gồm các thành phần sau đây. (I, ED, WE, HK, SK, P, C, AW, AC, H) Trong đó: 13 1/ I (Information in curriculum vitae): là thành phần lưu trữ thông tin chung của một ứng viên u trong CV, các thông tin chung gồm 6 thuộc tính cơ bản: ▪ HoTen: kiểu dữ liệu chuỗi, cho phép lưu họ và tên của ứng viên.

▪ NgaySinh: kiểu dữ liệu date, cho phép lưu thông tin về ngày sinh của ứng viên. ▪ GioiTinh: là giá trị thuộc {0, 1, 2} lưu thông tin về giới tính của ứng viên. Trong đó 0 chỉ giới tính nữ, 1 giới tính nam, 2 là giới tính khác. ▪ DiaChi: dữ liệu chuỗi, cho phép lưu thông tin về địa chỉ của ứng viên.

▪ SDT: kiểu chuỗi cho phép lưu thông tin về số điện thoại của ứng viên. ▪ Email: kiểu chuỗi, cho phép lưu thông tin về email của ứng viên. 2/ ED (Education in curriculum vitae) là thành phần lưu trữ thông tin về các nơi/đơn vị đào tạo của ứng viên u trong CV, mỗi nơi/đơn vị đào tạo sẽ gồm 5 thuộc tính sau đây: ▪ TenNoiDaoTao: nơi đào tạo, có kiểu dữ liệu chuỗi. Ví dụ, Trường Đại học Quốc Tế Hồng Bàng, Trường đại học Hoa Sen.

▪ LoaiHinhDaoTao: loại hình đào tạo, có kiểu dữ liệu chuỗi, Ví dụ: chính quy, từ xa, liên thông, … ▪ LoaiBangCap: loại bằng cấp, có kiểu dữ liệu chuỗi. Ví dụ, Cử nhân, Kỹ sư, Thạc sĩ, … ▪ ChuyenNganh: chuyên ngành đào tạo, có kiểu dữ liệu chuỗi, Ví dụ: khoa học máy tính, công nghệ thông tin, trí tuệ nhân tạo, khoa học dữ liệu ▪ ThoiGianDaoTao: thời gian đào tạo, có kiểu số nguyên. Ví dụ: 3 năm, 4 năm, … ▪ XepLoai: xếp loại đào tạo, có kiểu dữ liệu chuỗi. Ví dụ: loại khá, loại giỏi, loại xuất sắc.

3/ WE (Work Experimence in curriculum vitae) là thành phần lưu trữ thông tin về các nơi làm việc của ứng viên u trong CV, mỗi nơi làm việc của ứng viên có 5 thuộc tính sau đây: 14 ▪ TenNoiLamViec: là tên nơi làm việc, có kiểu dữ liệu chuỗi. Ví dụ Tập đoàn Nguyễn Hoàng, Đại học Quốc Tế Hồng Bàng, … ▪ ChucDanh: là tên chức danh của công việc, có kiểu dữ liệu chuỗi. Ví dụ: giám đốc điều hành, giám đốc tài chính, giám đốc công nghệ, … ▪ ViTri: là vị trí công việc, có kiểu dữ liệu chuỗi. Ví dụ: quản lý (manager), trưởng nhóm (leader), lập trình viên cao cấp, … ▪ ThoiGian: thời gian làm việc, có kiểu dữ liệu số nguyên.

Ví dụ: 3 năm, 4 năm, … ▪ NoiLamViec: địa điểm làm việc, có kiểu dữ liệu chuỗi. Ví dụ: HCM, Hà Nội, Đà Nẵng, … 4/ HK (Hard-Skills) là thành phần lưu trữ thông tin về các kỹ năng chuyên môn của ứng viên u trong CV, kỹ năng chuyên môn gồm 2 thành phần con sau đây: ▪ Thành phần K: thành phần lưu trữ thông tin về kiến thức chuyên môn trong lĩnh vực công nghệ thông tin của ứng viên. Ví dụ như: kiến thức phân tích thiết kế hệ thống, kiến thức về lập trình trên máy tính, kiến thức về kiểm thử phần mềm, kiến thức về phân tích dữ liệu. ▪ Thành phần S: thành phần lưu trữ thông tin tin về các kỹ năng sử dụng công nghệ, công cụ, các ngôn ngữ lập trình.

S gồm 3 tập: • S1: tập lưu trữ thông tin về các công nghệ, framework trong CV, ví dụ: .NET CORE, ASP.