Đặt vấn đề Khi thị trường lao động ngày trở nên càng cạnh tranh, mỗi sinh viên, hay các trường đại học điều có chung một mối quan tâm đó chính là liệu chương trình đào tạo có đủ đáp ứng các tiêu chuẩn của ngành nghề tương ứng trong thực tế hay không, năng lực của các cử nhân có thực sự phù hợp với công việc đang hướng đến cũng như hiện có hay không. Nhìn chung thì có thể thấy rằng một trong những thử thách lớn nhất mà các trường đại học phải giải quyết là chú trọng hỗ trợ sinh viên trang bị đủ kỹ năng, kiến thức thông qua chương trình đào tạo, có được công việc phù hợp với bản thân và đáp ứng được các yêu cầu của công việc ngoài thực tế. Mặc dù các trường đại học đang cố gắng thu nhỏ khoảng cách giữa chương trình học thuật và thị trường lao động, thì có vấn đề khác mang tính cấp thiết hơn là xác định được đúng người, đúng công việc. Các nhà tuyển dụng thì luôn ra sức tìm kiếm các ứng viên, cử nhân tài năng, còn các trường đại học thì luôn hướng đến việc phát triển các sinh viên, đặc biệt là thương hiệu cá nhân.
Tuy nhiên, hiện tại một số vấn đề cần giải quyết vẫn còn tồn tại. Theo một số ý kiến cho thấy giữa các yêu cầu của công việc, chương trình đào tạo, profile cá nhân của các cử nhân vẫn chưa thực sự hoà hợp, phù hợp với nhau, điều này dẫn đến tình trạng khả năng cá nhân chưa được tận dụng hiệu quả vì làm công việc không phù hợp hay khó khăn cho các nhà tuyển dụng trong quá trình tìm kiếm ứng viên phù hợp với vị trí cần tuyển. Nhận thấy được các vấn đề trên, một số nghiên cứu đã được tiến hành tại LATAM nhằm phân tích sâu hơn để tìm ra cách khắc phục sự không phù hợp giữa người lao động và công việc. Tại LATAM, dù tỉ lệ phần trăm sinh viên tốt nghiệp bậc đại học cho thấy sự cải thiện đáng kể với mức tăng trung bình là 40%, nhưng đâu đó các vấn đề không phù hợp với nghề nghiệp vẫn còn đang tiếp diễn, cụ thể hơn là sự không tương thích giữa kỹ năng và các yêu cầu của công việc đó.
Và theo Tổ chức lao động quốc tế, vấn đề trên là đến từ nhiều nguyên nhân khác nhau, một trong số đó là việc quản lý 5 Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 luồng thông tin, nơi được cho là bất cân xứng về thông tin giữa những người tìm việc, cung cấp việc làm và các tổ chức cung cấp giáo dục như trường đại học (ECLAC-ILO, 2019). Ngoài ra, sự không tương thích giữa chương trình đào tạo của các trường đại học và những yêu cầu của công việc từ các doanh nghiệp đã dẫn đến 25.4% vấn đề không phù hợp với công việc. Mặt khác, với quá trình tuyển dụng của cả khu vực công và tư thì việc tuyển dụng được hoạt động như cách truyền thống, tìm kiếm các cử nhân tiềm năng thông qua việc phân tích CV bằng cách xem xét các năng lực của cử nhân và yêu cầu của công việc. Và đối với phương pháp này, người tuyển dụng không thể nắm bắt được đầy đủ năng lực kỹ thuật, chuyên môn và năng lực công nghệ thông tin, cũng như tình trạng phát triển của sinh viên tốt nghiệp đại học, ngay cả khi họ thừa năng lực làm việc so với yêu cầu.
Như chúng ta cũng đã biết, nếu kỹ năng, năng lực không phù hợp với công việc thì sẽ dẫn đến tình trạng làm giảm đi hiệu quả, sự thỏa mãn trong công việc ở cả người tuyển dụng, đồng thời nó cũng sẽ làm tăng tỷ lệ thay đổi nhân sự, tăng chi phí ẩn của doanh nghiệp, khó khăn trong việc triển khai phát triển công nghệ mới, sản phẩm và dịch vụ. Do đó, để giải quyết vấn đề này thì cần dựa trên trí tuệ nhân tạo để xây dựng nên định hướng nghề nghiệp cũng như hệ thống thông tin thị trường lao động nhằm để giảm chi phí tìm kiếm công việc và cải thiện tình trạng có công việc không phù hợp của người lao động. Mục tiêu nghiên cứu Đề xuất kiến trúc hệ thống khuyến nghị việc làm thông minh dựa trên thương hiệu cá nhân giúp các sinh viên tìm được công việc phù hợp và hỗ trợ các phòng ban nhân sự trong quy trình tuyển dụng người lao động thích hợp. Xây dựng thương hiệu cá nhân dựa trên nội dung chương trình đào tạo và sự hài lòng của các cử nhân.
6 Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 Cung cấp khung lý thuyết để giúp các sinh viên, cử nhân tiến đến sự thành công trong nghề nghiệp chuyên môn, giúp các trường đại học đạt được sự thành công trong tính cá nhân hoá cho sinh viên, đồng thời giúp tối ưu và cải thiện chất lượng trong chương trình đào tạo. 7 Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 CHƯƠNG 2: NỘI DUNG 1. Các hệ thống khuyến nghị truyền thống 1.1 Hệ thống khuyến nghị dựa vào lọc cộng tác 1.1 Định nghĩa Lọc cộng tác là kỹ thuật sử dụng các sở thích cá nhân của người dùng để đưa ra những gợi ý. Hệ thống khuyến nghị dựa vào lọc cộng tác sẽ phân tích dữ liệu người dùng để tìm ra mối tương quan (sự liên quan, điểm tương đồng) giữa các đối tượng người dùng.
Sau đó, hệ thống sẽ dựa trên những sở thích của người dùng này để dự đoán những sản phẩm, dịch vụ, nội dung mà người dùng khác trong nhóm có thể thích. Lấy ví dụ, A thích xe đạp màu đỏ và B cũng thích xe đạp màu đỏ thì A và B có điểm tương đồng nên được xếp vào một nhóm. Trong phương pháp này, hệ thống sẽ so sánh, tính toán độ tương đồng giữa những người dùng (users) hay món hàng (items), từ đó người dùng sẽ được gợi ý những sản phẩm thích hợp và được ưa chuộng bởi những người dùng khác có cùng sở thích. Lấy ví dụ, để có thể gợi ý một loại trái cây cho chị H, hệ thống lọc cộng tác sẽ tìm những người dùng khác có cùng sở thích ăn trái cây với chị H, cụ thể ở đây là anh A có cùng sở thích ăn chuối với chị H.
Từ đó hệ thống sẽ xác định được chị H và anh A có cùng sở thích, anh A cũng thích quả lê vậy nên hệ thống sẽ đề xuất quả lê cho chị H vì khả năng cao chị H cũng sẽ thích quả lê.1 Minh họa phương pháp lọc cộng tác 8 Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 Lọc cộng tác hoạt động bằng cách xây dựng một cơ sở dữ liệu, lưu trữ dưới dạng ma trận Người dùng - Sản phẩm (Users – Items). Với phương pháp này, đầu vào chính là sở thích của người dùng và nó thể hiện những dữ kiện lịch sử, những hành vi trong quá khứ. Trong hệ thống khuyến nghị, hàng (rows) dùng để thể hiện cho người dùng và columns (cột) thể hiện những sản phẩm mà người dùng lựa chọn, giá trị mỗi ô là đánh giá của người dùng lên sản phẩm đó. Đối với những hệ thống khác nhau thì đánh giá của người dùng cũng được quy ước những giá trị khác nhau, tùy vào mỗi hệ thống.
Trong ví dụ này, các đánh giá có giá trị từ 1 tới 5.1 Ví dụ ma trận Người dùng – Sản phẩm Sản phẩm 1 Sản phẩm 2 Sản phẩm 3 Người dùng 1 4 2 0 Người dùng 2 1 5 4 Người dùng 3 0 0 3 Ở ví dụ ma trận trên, người dùng 1 đánh giá sản phẩm 1 là 4, sản phẩm 2 là 2, sản phẩm 3 chưa được đánh giá. Ma trận trên còn khá nhiều chỗ trống (ma trận thưa) tức được điền 0 và công việc của hệ thống lọc cộng tác là phải điền vào những chỗ trống đó. Nghĩa là hệ thống phải đưa ra dự đoán người dùng 1 đánh giá sản phẩm 3 là bao nhiêu và người dùng 3 đánh giá sản phẩm 1, 2 là bao nhiêu. Sau đó, hệ thống sẽ sắp xếp kết quả dự đoán (ví dụ từ cao xuống thấp) và chọn ra Top-N sản phẩm theo thứ tự, cuối cùng là gợi ý chúng cho người dùng.2 Phân loại Phương pháp lọc cộng tác có 2 dạng chính: lọc cộng tác dựa trên bộ nhớ (Memory-based) và lọc cộng tác dựa trên mô hình (Model-based).1 Lọc cộng tác dựa trên bộ nhớ 9 Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 Phương pháp lọc cộng tác dựa trên bộ nhớ hay còn được gọi là phương pháp lọc cộng tác dựa trên láng giềng (Neighborhood-based collaborative filtering) là phương pháp dự đoán các sản phẩm dựa trên sự tương quan giữa những người dùng láng giềng hoặc sản phẩm láng giềng, nghĩa là những người dùng có sở thích tương tự hay những sản phẩm có điểm tương đồng.
Phương pháp này đưa ra dự đoán dựa vào 2 cách tiếp cận: Lọc cộng tác dựa trên người dùng (User-based collaborative filtering). Bản chất của lọc cộng tác dựa trên người dùng là tìm những người dùng có sở thích tương tự với 1 người dùng A bất kì và gợi ý những thứ họ thích cho người dùng A. Hệ thống sẽ thu thập dữ liệu mẫu và xây dựng ma trận Người dùng – Sản phẩm (Users – Items). Đối với mỗi người dùng, cần quan tâm đến các sản phẩm đã được người dùng đó đánh giá.
Đối với mỗi sản phẩm được người dùng đó đánh giá, công việc của hệ thống là phải tìm được N người dùng khác cũng đánh giá sản phẩm đó. Từ đó, hệ thống tính toán được độ tương tự giữa các người dùng với nhau và cho ra được kết quả đánh giá các sản phẩm chưa được người dùng hiện tại đánh giá. Cuối cùng, hệ thống sẽ gợi ý cho người dùng hiện tại những sản phẩm có đánh giá cao nhất. Lọc cộng tác dựa trên sản phẩm (Item-based collaborative filtering).
Bản chất của lọc cộng tác dựa trên sản phẩm là xác định những sản phẩm tương đồng để dự đoán mức độ yêu thích của người dùng đối với 1 sản phẩm dựa trên mức độ yêu thích của người dùng đối với những sản phẩm tương đồng. Hệ thống vẫn sẽ thu thập dữ liệu mẫu và xây dựng ma trận Người dùng – Sản phẩm (Users – Items). Hệ thống quan tâm đến tập hợp các sản phẩm đã được người dùng B đánh giá. Sau đó, nhiệm vụ của hệ thống là phải tìm được K sản phẩm tương tự nhất với mỗi sản phẩm I trong tập hợp.
Từ đó, hệ thống tính toán được độ tương tự giữa các sản phẩm có điểm tương đồng nhau và cho ra được kết quả dự đoán đánh giá của người 10 Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 dùng đối với các sản phẩm chưa được đánh giá.