Modello AI interpretabile migliora le raccomandazioni di talenti basate sulle competenze

I ricercatori hanno presentato un nuovo modello chiamato CF-RL-TOPSIS, progettato per raccomandazioni di talenti focalizzate sulle competenze. Questo approccio innovativo combina diversi elementi: un meccanismo di filtraggio collaborativo che tiene conto delle transizioni, un bandit di tipo reinforcement learning per le categorie di lavoro e un componente TOPSIS a pesi entropici che utilizza sei proxy semantici. Hanno testato il modello su due dataset pubblici, JobHop e Karrierewege, utilizzando classifiche top-5 cronologiche ripetute e test di Wilcoxon appaiati. Su JobHop, il modello ibrido ha raggiunto un impressionante punteggio NDCG@5 di 0,3040 ± 0,0073, superando diversi altri metodi. Inoltre, i coefficienti di fusione scelti durante la validazione sono trasparenti, rispondendo alla necessità di interpretabilità in questi sistemi.