招聘探索-研究论文

【文件属性】：
文件名称：招聘探索-研究论文
文件大小：1.96MB
文件格式：PDF
更新时间：2021-05-20 19:32:34
Hiring Machine Learning Contextual Bandits 为了在一段时间内寻找最佳工人，公司必须在“开发”（从具有良好记录的小组中选择）和“探索”（从代表性不足的小组中选择以了解质量）之间取得平衡。 然而，基于“监督学习”方法的现代招聘算法仅是为利用而设计的。 在本文中，我们将招聘视为一个背景强盗问题，并建立了一个简历筛选算法，该算法通过根据候选人的统计上位潜力来评估其候选人，从而对勘探进行评估。 使用《财富》 500强公司内部专业服务招聘的数据，我们表明，这种方法可以提高面试中所选择的候选人的质量（以最终的雇用率来衡量），并且相对于公司的现有做法，还可以提高人口统计的多样性。 对于传统的基于监督学习的算法而言，情况却并非如此，后者提高了招聘率，但选择的黑人和西班牙裔申请人却少得多。 作为扩展，我们证明了基于探索的算法还能够更有效地学习随着时间的推移申请人质量的模拟变化。 总之，我们的结果突出了将探索纳入开发可能更有效和更公平的决策算法的重要性。