Подбор подходящего кандидата на определенную должность – это ответственный и интенсивный процесс, с которым сталкиваются многие компании. Трудоустройство подходящего кандидата вызывает трудности у различных организаций, поскольку они предъявляют множество конкретных требований, упомянутых в должностной инструкции. Использование искусственного интеллекта позволяет измерить, предсказать и отобрать подходящего кандидата на основе базы данных резюме и требований должности. Данные разбиваются на четыре кластера, которые базируются на первичных и вторичных навыках, а также прилагательных и наречиях. Между этими кластерами измеряется сходство по Жаккару, и на основе параметров кластера предлагается мера пригодности. С помощью трех классификаторов линейной регрессии, дерева решений, Adaboost и XGBoost выполняется прогноз пригодности кандидата. Для оценки кандидата используются различные классификаторы, которые помогли выполнить прогнозирование метрик на очень высоком уровне. Исследовав проблему, мы можем смело утверждать, что в скором времени подобные системы будут использоваться нанимающим персоналом, что позволит компаниям нанимать на работу более квалифицированные кадры при минимизации периода поиска кандидатов. Эксперименты по прогнозированию проводятся и оцениваются с помощью пятикратной перекрестной проверки. Линейная регрессия дала среднюю степень классификации 85,60 %, а максимальной точности достигает классификатор XGBoost с показателем 95,14 %.

The selection of a suitable candidate for a certain position is a responsible and intensive process that many companies face. The employment of a suitable candidate causes difficulties for various organizations, since they make specific requirements mentioned in the job desciption. The use of artificial intelligence allows you to measure and predict a suitable candidate based on a resume database and job requirements. The data is divided into four clusters, which are based on primary and secondary skills, as well as adjectives and adverbs. The similarity in Jacquard is measured between these clusters, and a fitness measure is proposed based on the cluster parameters. With the help of three linear regression classifiers, a decision tree, Adaboost and XGBoost, the candidate’s fitness prediction is performed. To evaluate the candidate, various classifiers are used, as well as the “bag of words” technique. Prediction experiments are conducted and evaluated using 5-fold cross-validation. Linear regression gave an average classification degree of 85.60 %, and the maximum accuracy of the XGBoost classifier, which is 95.14 %.