sapiСистемный анализ и прикладная информатика«System analysis and applied information science»2309-49232414-0481Belarusian National Technical University10.21122/2309-4923-2021-2-34-38sapi-513Research ArticleОбработка информации и принятие решенийData processing and decision–makingМеханизм обработки резюме, использующий многокритериальное оценивание и иерархические классифицирующие деревьяA selection mechanism using multi-criteria evaluation and hierarhical classifying tree for resume data processingГерманО. B.GermanO. V.

Минск

Oleg German got PhD in computer science 

Minsk

ГерманЮ. О.GermanJ. O.

Минск

Julia German got PhD in computer science

Minsk

НасрС.NasrS.

Минск

Sara Nasr PhD

Minsk

Белорусский государственный университет информатики и радиоэлектроникиБеларусьBelarussian State University of Indormatics and RadioelectronicsBelarus202119082021023438Copyright © Герман О.B., Герман Ю.О., Наср С., 20212021Герман О.B., Герман Ю.О., Наср С.German O.V., German J.O., Nasr S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://sapi.bntu.by/jour/article/view/513

В статье рассматривается задача оптимального выбора атрибутов при отборе кандидатов на основании их резюме в автоматическом режиме. Описываемый подход к решению основан на объединении мультикритериального выбора (оценки), используемого в системах принятия решений, и технологии иерархических классифицирующих деревьев, что позволяет реализовать механизм селекции без необходимости собирать реальные данные кандидатов и выполнять на них обучение системы. Вместо этого данные генерируются на основе техники полнофакторного эксперимента, при этом количество генерируемых вариантов сравнительно невелико для систем машинной обработки. Сгенерированные данные используются для построения последовательности классифицирующих деревьев  и  определения  минимального  множества  атрибутов  заявителей,  используемых  для  итоговой  оценки о принятии на работу. Описанный в статье механизм обработки резюме является достаточно гибким и может быть использован также в условиях неполных и нечетких данных заявителей.

The paper considers a problem of optimal feature selection for resume data processing by means of combining multicriteria evaluation technique and hierarhical classifying trees technology what makes it possible to build a selection mechanism without necessity to collect data for the learning purposes of real applicants. Instead, the learning data are generated by means of the technique used in a full factorial experiment with quite a restricted number of samples. The suggested approach minimizes the number of the features used in selection the best candidates and does not use the quantitative ratings of candidates replacing them with multi-phases classifying procedure. These peculiarities of the suggested selection mechanism make it more flexible and form a basis for applying it in conditions characterized by vagueness and fuzziness of the applicant data.

многокритериальный выбор решенийиерархические классифицирующие деревьявыбор атрибутовmulti-criteria decision makinghierarhical classifying treefeature selectionReferencesSneha, K. Automated Resume Extraction and candidate Selection System/K. Sneha, P. Giri // International Journal of Research in Engineering and Technology (IJRET). 2014., vol. 3, issue 1, pp. 206–208.Sneha Kumari, Punam Giri. Automated Resume Extraction and candidate Selection System. International Journal of Research in Engineering and Technology (IJRET). 2014., vol. 3, issue 1, pp. 206–208.Taleo. Applicant tracking system. [Electronic resource]. – Access mode: https://www.applicanttrackingsystems.net/oracle-taleo/. Access date: 11.02.2021.Taleo. Applicant tracking system. [Electronic resource]. – Access mode: https://www.applicanttrackingsystems.net/oracle-taleo/. Access date: 11.02.2021.GreenHouse ATS: what job-seekers need to know. [Electronic resource]. –Access mode: https://www.jobscan.co/blog/greenhouse-ats-what-job-seekers-need-to-know/. – Access date: 11.02.2021.GreenHouse ATS: what job-seekers need to know. [Electronic resource]. –Access mode: https://www.jobscan.co/blog/greenhouse-ats-what-job-seekers-need-to-know/. – Access date: 11.02.2021.Tzeng, G.-H. Multipple Attribute Decision Making: Methods and Applications / G.-H. Tzeng, J. J. Huang // Chapman and Hall. 2011. vol. 166., 349 p.Tzeng G.-H., Huang J. J. Multipple Attribute Decision Making: Methods and Applications. Chapman and Hall. 2011. vol.166., 349 p.Sudrajat, R. Analysis of data mining classification by comparison of C4.5 and ID algorithms / R. Sudrajat, I. Irianingsih, D. Krisnawan // IOP Conference Series: Materials and Engineering. 2017. vol. 166. pp. 12–31.Sudrajat R., Irianingsih I., Krisnawan D. Analysis of data mining classification by comparison of C4.5 and ID algorithms. IOP Conference Series: Materials and Engineering. 2017. vol. 166. pp. 12–31.German, O. V. New method for optimal feature set reduction / O.V. German, S. Nasr // Informatics and automation. SPIRAS Proceedings (St. Petersburg, Russia). 2020. vol. 19, № 6. pp. 1198–1221.German, O. V., Nasr S. New method for optimal feature set reduction. Informatics and automation. SPIRAS Proceedings (St. Petersburg, Russia). 2020. vol. 19, № 6. pp. 1198–1221.Saaty T. L. Decision making with the analytic Network Process / T.L. Saaty, L. G. Vargas // Springer. 2013. – 370 p.Saaty T. L., Vargas L. G. Decision making with the analytic Network Process. Springer. 2013. – 370 p.Urbanovicz R. Relief-based feature selection: introduction and review / R. J. Urbanovicz, V. L. Cava et al. // Journal of biomedical informatics. 2018., vol. 85, pp. 189–203.Urbanovicz R. J., Meeker M., Cava V. L. et al. Relief-based feature selection: introduction and review. Journal of biomedical informatics. 2018., vol. 85, pp. 189–203.Vens, C. Decision trees for hierarchical multi-label classification / C. Vens, J. Stryif, L. Shietgat et al. // Machine Learning. 2008. vol. 73., № 2. pp. 185–214.Vens C., Stryif J., Shietgat L. et al. Decision trees for hierarchical multi-label classification. Machine Learning. 2008. vol. 73., № 2. pp. 185–214.German J. O. One version of the group resolution principle for discrete optimization. Proc. of Intern. conf. Information Technologies and Systems (ITS) 2020. Minsk, BSUIR, 2020, pp. 165–167.German J. O. One version of the group resolution principle for discrete optimization. Proc. of Intern. conf. Information Technologies and Systems (ITS) 2020. Minsk, BSUIR, 2020, pp. 165–167.Capraro, A. A heuristic method for the set covering problem / A. Caparo, M. Fischetti // Operations Research. 2000. vol. 47., № 5.Capraro A., Fischetti M. A heuristic method for the set covering problem. Operations Research. 2000. vol. 47., № 5.

The authors declare that there are no conflicts of interest present.