JP5965557B1 - 類似度学習システム及び類似度学習方法 - Google Patents

Abstract

【課題】語彙数に対する文書数が不足する場合であっても、適切な類似度学習を行う。【解決手段】トピックモデルによる分析手法を利用して、求人情報とレジュメ情報との間の類似度学習を行う。特徴抽出部３３０は、求人票データベースＤＢ３１０に登録されている求人情報及びレジュメデータベースＤＢ３２０に登録されているレジュメ情報について、トピックモデルを用いて分析することにより、求人情報及びレジュメ情報を構成する文書から抽出した語彙（キーワード）をトピックごとにまとめる一方、類似度学習部３６０は、トピック単位での類似度学習を行う。【選択図】図２

Description

本発明は、類似度学習システム等に関し、特に、求人側と求職側との情報をマッチングするのに好適な類似度学習システム等に関する。

人材紹介会社（以下、「エージェント」と総称する。）においては、求人企業側が用意する求人情報と、求職者側が用意するレジュメ情報とを利用して、求職者候補の選考を行うのが一般的である（例えば特許文献１参照）。

図５を例に説明すると、エージェントは、まず、企業側が用意する求人情報と求職者側が用意するレジュメ情報とに基づき、スクリーニングや電話インタビューなどを行うことで、ロングリストからショートリストへの絞り込みを行う。ここで、ロングリストとは、エージェントが、求人企業の要望に沿うと思われる人材をスクリーニングする前の候補者リストをいい、ショートリストとは、エージェントが、ロングリストから電話インタビューなどにより数名に絞り込んだ候補者リストをいう。

エージェントは、このようにして候補者が絞り込まれたショートリストを得ると、ショートリストに登録された候補者の中から、最終候補者（場合によっては複数）を決定し、企業に紹介する。

特開２００７−３０５００６号公報

ところで、候補者の選考精度の向上を図る方策の１つとして、ロングリストからショートリストへの絞り込みを行う選考プロセスの一部を、ＡＩ（Artificial Intelligence）に置き換えることが考えられる。しかしながら、単に、ＡＩを活用して企業側の求人情報に現れる語彙（キーワード）と求職者のレジュメに現れる語彙の類似度を学習するだけでは、語彙数に対して求人情報やレジュメ情報に含まれる文書数が不足し、適切な類似度学習が行えない、という問題が指摘されていた。

本発明は、以上説明した事情を鑑みてなされたものであり、語彙数に対する文書数が不足する場合であっても、適切な類似度学習を行うことを目的の一つとする。

本発明の一実施形態に係る類似度学習システムは、企業の求人情報と求職者のレジュメ情報とに基づき、企業が欲する求職者候補を選定する際に利用される類似度学習システムであって、トピックモデルを用いて求人情報及びレジュメ情報を分析することにより、各情報を構成する文書から抽出した語彙を、それぞれトピックごとにまとめる特徴抽出手段と、トピックごとにまとめられた求人情報の文書に関する特徴をあらわす第１トピック関連情報を格納する第１データベースと、トピックごとにまとめられたレジュメ情報の文書に関する特徴をあらわす第２トピック関連情報を格納する第２データベースと、第１トピック関連情報と第２トピック関連情報を利用して、トピック単位での類似度学習を行い、類似度の学習結果をあらわす類似度学習情報を生成する類似度学習手段と、第１トピック関連情報と第２トピック関連情報と類似度学習情報とに基づき、求人情報とレジュメ情報の類似度スコアの計算を行い、スコア情報を生成するスコア計算手段とを具備することを特徴とする。

ここで、上記構成にあっては、生成したスコア情報に基づき、スコアの高い複数のレジュメ情報を特定し、特定した各レジュメ情報に対応する各求職者を最終候補者として決定する候補者決定手段をさらに備える態様が好ましい。なお、トピックモデルを用いた分析手法として、ＬＤＡを利用しても良い。

本発明によれば、ＡＩを活用した類似度学習において、語彙数に対する文書数が不足する場合であっても、適切な類似度学習を行うことができる。

本実施形態に係る人材紹介システム１０００の概略構成を示す図である。 エージェント端末３００の主要構成を示すブロック図である。 キーワードを利用した類似度学習を説明するための図である。 トピックを利用した類似度隔週を説明するための図である。 類似度学習処理を示すフローチャートである。 求職者候補の選考プロセスを例示した図である。

以下、本発明の実施形態について図面を参照しつつ詳細に説明する。なお、同一の要素には同一の符号を付し、重複する説明を省略する。

本実施形態
図１は、本実施形態に係る人材紹介システム（類似度学習システム）１０００の概略構成を示す図である。同図に示すように、人材紹介システム１０００は、求職者用端末１００と、企業用端末２００と、エージェント端末３００とを備え、各端末１００、２００、３００が通信ネットワークＮを介して相互接続されている。

求職者用端末１００は、例えばタブレット端末などによって構成され、通信ネットワークＮを介してエージェント端末３００等にアクセスすることが可能となっている。求職者は、求職者用端末１００を操作することで、エージェント端末３００にアクセスし、求職者の職歴などをあらわすレジュメ情報（詳細は後述）を登録等することが可能となる。なお、求職者用端末１００は、タブレット端末に限る趣旨ではなく、パーソナルコンピュータ（ＰＣ）、ノートＰＣ、スマートフォン、携帯電話機、携帯情報端末（ＰＤＡ）など、通信ネットワークＮを介してデータの授受が可能なあらゆる端末装置を利用することができる。

企業用端末２００は、例えばパーソナルコンピュータなどによって構成され、通信ネットワークＮを介してエージェント端末３００等にアクセスすることが可能となっている。企業の担当者（人事部の採用担当者など）は、企業用端末２００を操作して求人情報を企業（担当者）は、レジュメ情報を閲覧する場合、企業用端末２００を操作して所望する人材の求人情報（詳細は後述）をエージェント端末３００に登録することが可能となる。なお、企業用端末２００は、タブレット端末やノートＰＣなど、通信機能を備えたあらゆる端末装置を利用することができる。

エージェント端末３００は、求人ウェブサイトなどを保守・管理するとともに、企業側の求人情報にマッチする求職者候補の絞り込み（すなわち、ロングリストからショートリストへの絞り込み）等を行う。エージェント端末３００は、例えば、演算処理能力の高いコンピュータによって構成され、そのコンピュータにおいて所定のプログラムが動作することにより、各種機能を実現するものである。

図２は、エージェント端末３００の機能構成を示すブロック図である。エージェント端末３００は、ＣＰＵやＲＯＭ、ＲＡＭなどのメモリを備え、ＣＰＵがメモリに格納された各種プログラムを実行することにより、以下に示す各部の機能や各データベースの保守・管理を実現する。

求人票データベース３１０は、各企業の求人情報を格納するデータベースであり、各企業用端末２００から送信される求人情報を記憶する。求人情報には、仕事の内容を示すテキスト情報や画像情報からなる仕事情報のほか、応募条件情報などが設定される。仕事情報は、仕事内容を説明するテキスト情報、職場環境を表わす画像情報等からなる。応募条件情報は、例えば勤務地情報、年収情報、年齢情報、言語スキル情報、学歴情報等を表す情報であり、求人企業の担当者によりフリーワードで入力される。

レジュメデータベース３２０は、各求職者のレジュメ情報を格納するデータベースであり、各求職者用端末１００から送信されるレジュメ情報を記憶する。レジュメ情報には、求職者の個人情報が設定される。個人情報には、求職者の住所情報や氏名情報、年齢情報、学歴情報や職歴情報、資格・能力情報、希望勤務地情報などが含まれる。なお、資格・能力情報としては、例えば求職者が有する資格の名称や言語スキルの評点などが挙げられる。

特徴抽出部（特徴抽出手段）３３０は、求人票データベース３１０に登録されている求人情報及びレジュメデータベース３２０に登録されているレジュメ情報について、トピックモデルを用いて分析することにより、求人情報及びレジュメ情報を構成する文書から抽出した語彙（キーワード）をトピックごとにまとめる、すなわちデータを抽象化する処理を行う。このように、各文書は複数のトピックで構成されていると仮定することで、例えば「３０％は“マネジメント”（トピック１）、１０％は、“マーケティング”（トピック２）・・・」といった文書構成を導くことができ、これにより各文書の特徴を把握し、文書間の差異などが定量的に把握でき、適切な類似度学習が行うことが可能となる。なお、本実施形態では、トピックモデルによる分析手法としてＬＤＡ（Latent Dirichlet Allocation）を利用するが、他のトピックモデルによる分析手法を用いても良い。

求人票特徴データベース（第１データベース）３４０は、各求人情報の特徴情報（各求人情報の文書のトピック構成に関する特徴を示す情報など）を格納するデータベースであり、レジュメ特徴データベース（第２データベース）３５０は、各レジュメ情報の特徴情報（各レジュメ情報の文書のトピック構成に関する特徴を示す情報など）を格納するデータベースである。以下の説明では、便宜上、各求人情報の文書に関する特徴情報を「第１トピック関連特徴情報」と呼び、各レジュメ情報の文書に関する特徴情報を「第２トピック関連特徴情報」と呼ぶ。これら各トピック構成情報は、特徴抽出部３３０から出力される。

類似度学習部（類似度学習手段）３６０は、求人票特徴データベース３４０やレジュメ特徴データベース３５０から供給される第１トピック関連特徴情報や第２トピック関連特徴情報、さらには後述する判定情報などを利用して、トピック単位での類似度学習を行う。前述したように、本実施形態では、従来のごとく文書から抽出した語彙を類似度学習にそのまま利用するのではなく（図３Ａ参照）、語彙をトピックにまとめて、トピックにより類似度学習を行うため（図３Ｂ参照）、類似度学習の精度を高めることが可能となる。すなわち、従来のごとく求人情報やレジュメ情報の文書から語彙をそのまま抽出して類似度学習を行った場合には、「疎な行列（Sparse Matrix）」（図３Ａ参照）が前提となるため学習精度が低くなってしまう問題があるのに対し、本実施形態では、求人情報やレジュメ情報の文書の語彙をトピックにまとめることで、「密な行列（Dense Matrix）」（図３Ｂ参照）が前提となり、これにより従来に比して学習精度を高めることが可能となる。

判定履歴データベース３７０は、判定結果を示す判定情報を格納するデータベースである。判定情報は、企業によって最終的に採用された求職者（単数または複数）を特定する情報であり、企業用端末２００から通信ネットワークＮを介してエージェント端末３００に供給される。類似度学習部３６０は、類似度学習を行う際、各トピック関連特徴情報とともに、実際に採用された求職者を特定する判定情報を利用することで、学習精度を向上することができる。なお、実際には、求人情報やレジュメ情報に含まれる全ての語彙を抽出し、トピックに変換して類似度学習を行っているわけではない。詳述すると、類似度学習部３６０は、トピック変換（分類）に寄与しない語彙を含む特徴（例えば、英語の評点がＮ１点以上、年収がＭ１〜Ｍ２円など）を、予め求人情報やレジュメ情報から除去したうえで、類似度学習を行っている。しかしながら、本発明はこれに限る趣旨ではなく、トピック変換に寄与しない特徴も加味して類似度学習を行うようにしても良い。例えば、トピック変換に寄与しない特徴が似ているのに、判定結果が異なるレジュメ対を類似度学習に用いて学習の精度を向上させても良い。例えば、２人の求職者の英語の評点が同じであるにもかかわらず、採用された求職者と採用されなかった求職者がいた場合には、これら求職者のレジュメ対を教師データとして類似度学習に利用する。これにより、学習の精度を向上させることが可能となる。

類似度行列データベース３８０は、類似度学習部３６０から出力される類似度の学習結果を示す類似度学習情報（すなわち、対象となったレジュメ情報と求人情報との類似度を定量化した情報）を格納するデータベースである。

マッチスコア計算部（スコア計算手段）３９０は、求人票特徴データベース３４０、レジュメ特徴データベース３５０、類似度行列データベース３８０から、それぞれ供給される第１トピック関連特徴情報、第２トピック関連特徴情報、類似度学習情報を利用して、対象となった求人情報とレジュメ情報の類似度スコアの計算を行い、スコア情報を生成する。

マッチスコアデータベース３９５は、マッチスコア計算部３９０から出力されるレジュメ情報と求人情報との類似度を定量化したスコア情報を格納する。次に、エージェント端末３００によって実行される類似度学習処理について図４を参照しながら説明する。

図４は、類似度学習処理を示すフローチャートである。
エージェント端末３００は、企業用端末２００から新たな求人情報を受信するなどして、類似度学習を開始すべきと判断すると（ステップＳ１０：ＹＥＳ）、エージェント端末３００の特徴抽出部３３０は、求人票データベース３１０から新たな求人情報を読み込むとともに、レジュメデータベース３２０から求職者のレジュメ情報を読み込む（ステップＳ２０）。そして、特徴抽出部３３０は、ＬＤＡ（トピックモデル）を用いて分析することにより、求人情報及びレジュメ情報を構成する文書から抽出した語彙（キーワード）をトピックごとにまとめる、すなわちトピック変換を行う（ステップＳ１２）。なお、ステップＳ１０において類似度学習を開始すべきでないと判断した場合には（ステップＳ１０：ＮＯ）、エージェント端末３００は、ステップＳ１０を繰り返し実行する。

特徴抽出部３３０は、トピック変換を行うと、変換後の第１トピック関連特徴情報及び第２トピック関連特徴情報を、それぞれ求人票特徴データベース３４０及びレジュメ特徴データベース３５０に格納する（ステップＳ１３）。

その後、類似度学習部３６０は、求人票特徴データベース３４０やレジュメ特徴データベース３５０から第１トピック関連特徴情報や第２トピック関連特徴情報を読み出すとともに、判定履歴データベース３７０に格納されている過去の判定情報を参照し、トピック単位での類似度学習を行う（ステップＳ１４：図３Ｂ参照）。

そして、類似度学習部３６０は、類似度の学習結果を示す類似度学習情報（すなわち、対象となったレジュメ情報と求人情報との類似度を定量化した情報）を類似度行列データベース３８０に格納する（ステップＳ１５）。

一方、マッチスコア計算部３９０は、求人票特徴データベース３４０、レジュメ特徴データベース３５０、類似度行列データベース３８０から、それぞれ第１トピック関連特徴情報、第２トピック関連特徴情報、類似度学習情報を取得し、これら各情報を利用して、対象となった求人情報とレジュメ情報の類似度スコアの計算を行い、スコア情報を生成する（ステップＳ１６）。そして、マッチスコア計算部３９０は、スコア情報をマッチスコアデータベース３９５に格納し、処理を終了する。

以上説明した類似度学習処理が終了すると、エージェント端末（候補者決定手段）３００は、例えばスコアの高いＸ個（Ｘ≧２）のレジュメ情報を特定し、これら各レジュメ情報に対応する求職者を最終候補者として決定する。そして、最終候補者のレジュメ情報を、通信ネットワークＮを経由して企業用端末２００に送信することで、企業のニーズに応じた人材を、迅速に紹介することが可能となる。なお、最終候補者の紹介を受けた企業は、最終面接等を行うことで採用者を決定する。採用者を決定すると、採用担当者は、企業用端末２００を操作し、採用者を特定する採用者決定情報（例えば、採用者の名前等）をエージェント端末３００に通知する。エージェント端末３００は、通信ネットワークＮを介して採用者決定情報を受信すると、採用者決定情報を判定履歴データベース３７０に登録する。なお、判定履歴データベース３７０には、最終候補者を特定する情報（例えば、候補者Ａ１、Ａ２、Ａ３、Ａ４）に対応づけて採用者決定情報（例えば、候補者Ａ３）を登録すれば良い。

以上説明したように、本実施形態によれば、トピックモデルによる分析手法を利用して、求人情報とレジュメ情報との間の類似度学習を行うことで、トピックモデルを利用しない従来の類似度学習に比して学習精度を高めることが可能となる。

なお、本発明は、上述した実施形態に限定されるものではなく、本発明の要旨を逸脱しない範囲内において、他の様々な形で実施することができる。このため、上記実施形態はあらゆる点で単なる例示にすぎず、限定的に解釈されるものではない。例えば、上述した各処理ステップは処理内容に矛盾を生じない範囲で任意に順番を変更し、または並列に実行することができる。

１０００…人材紹介システム
１００…求職者用端末
２００…企業用端末
３００…エージェント端末
３１０…求人票データベース
３２０…レジュメデータベース
３３０…特徴抽出部
３４０…求人票特徴データベース
３５０…レジュメ特徴データベース
３６０…類似度学習部
３７０…判定履歴データベース
３８０…類似度行列データベース
３９０…マッチスコア計算部
３９５…マッチスコアデータベース
Ｎ…通信ネットワーク

Claims (4)

1. 企業の求人情報と求職者のレジュメ情報とに基づき、当該企業が欲する求職者候補を選定する際に利用される類似度学習システムであって、
   トピックモデルを用いて前記求人情報及び前記レジュメ情報を分析することにより、前記各情報を構成する文書から抽出した語彙を、それぞれトピックごとにまとめる特徴抽出手段と、
   前記トピックごとにまとめられた前記求人情報の文書に関する特徴をあらわす第１トピック関連情報を格納する第１データベースと、
   前記トピックごとにまとめられた前記レジュメ情報の文書に関する特徴をあらわす第２トピック関連情報を格納する第２データベースと、
   前記第１トピック関連情報と前記第２トピック関連情報を利用して、トピック単位での類似度学習を行い、類似度の学習結果をあらわす類似度学習情報を生成する類似度学習手段と、
   前記第１トピック関連情報と前記第２トピック関連情報と前記類似度学習情報とに基づき、前記求人情報と前記レジュメ情報の類似度スコアの計算を行い、スコア情報を生成するスコア計算手段と
   を具備する類似度学習システム。
2. 生成した前記スコア情報に基づき、スコアの高い複数のレジュメ情報を特定し、特定した前記各レジュメ情報に対応する各求職者を最終候補者として決定する候補者決定手段をさらに備える、請求項１に記載の類似度学習システム。
3. 前記類似度学習手段は、前記各レジュメ情報に含まれる特徴であって前記類似度学習に寄与しない語彙を含む特徴が、同一または類似しているにもかかわらず、最終候補者として決定された求職者と、決定されなかった求職者がいた場合、前記各求職者に対応するレジュメ情報の対を、教師データとして前記類似度学習に利用する、請求項１に記載の類似度学習システム。
4. 企業の求人情報と求職者のレジュメ情報とに基づき、当該企業が欲する求職者候補を選定する際に利用される類似度学習方法であって、
   トピックモデルを用いて前記求人情報及び前記レジュメ情報を分析することにより、前記各情報を構成する文書から抽出した語彙を、それぞれトピックごとにまとめるステップと、
   前記トピックごとにまとめられた前記求人情報の文書に関する特徴をあらわす第１トピック関連情報を、第１データベースに格納するステップと、
   前記トピックごとにまとめられた前記レジュメ情報の文書に関する特徴をあらわす第２トピック関連情報を、第２データベースに格納するステップと、
   前記第１トピック関連情報と前記第２トピック関連情報を利用して、トピック単位での類似度学習を行い、類似度の学習結果をあらわす類似度学習情報を生成するステップと、
   前記第１トピック関連情報と前記第２トピック関連情報と前記類似度学習情報とに基づき、前記求人情報と前記レジュメ情報の類似度スコアの計算を行い、スコア情報を生成するステップと
   を具備する類似度学習方法。