利用机器学习实现自动化简历筛选：一种基于集成方法的高效候选人选拔方式

《Scientific Reports》：Automated resume screening using machine learning: an ensemble-based approach for efficient candidate selection

　　

摘要

大规模招聘通常耗时较长，且在使用手动筛选简历的情况下会导致效率低下。本研究提出了一种基于机器学习（ML）的集成框架，用于改进招聘流程。该研究采用了两阶段的实验设计：首先对多种机器学习分类器（如逻辑回归、决策树、朴素贝叶斯和随机森林）进行了基准测试，以确定其基础性能；随后根据这些结果，通过软投票机制将表现最佳的模型结合起来形成一个集成框架。在标准基准数据集上，该集成框架的准确率达到了98.44%（5折交叉验证平均值为97.47%±1.00%），显著优于单独使用的分类器。通过配对T检验（p<0.05）验证了这种性能提升的统计显著性，从而证明了其可靠性。为了解决现有研究中的稳定性问题，该框架还在一个新的、由专家标注的异构数据集（N=598）上进行了零样本测试（Zero-Shot测试）。结果表明，该框架的稳定性极佳，性能仅下降了1.10%，F1分数为0.99。此外，还通过解释性审计（interpretability audit）确认了算法的公平性，确保了招聘过程基于人才的实际能力进行。最后，开发了一个功能齐全的基于网页的原型系统，展示了该框架在实时简历分类和推荐中的实际可行性。研究结果表明，该框架不仅具有高准确率和统计可靠性，而且在实际的人才招聘应用中也能得到有效实施。