본문 바로가기
KERD
논문

인공지능 기반 맞춤형 장애인 구인·구직 추천 연구

AI-Based Personalized Job Recommendation System for People with Disabilities

송규원|임윤정|권지우
pp. 77-106|DOI 10.23286/gri.2024...004

0

조회

0

다운로드

0

인용

0

참고문헌

키워드

장애인자연어 처리Natural Language ProcessingLarge Language ModelDisabilities거대 언어 모델일자리 추천Job Recommendation

초록

본 연구의 목적은 장애인 노동시장의 수급 불균형을 해소하기 위해 인공지능을 활용하여 장애인 노동시장의 수요자 맞춤형 구인·구직 정보를 추천하는 알고리즘을 개발하는 것이다. 이를 위하여 본 연구에서는 장애인 전문 채용 포털에 서 다양한 채용공고 데이터를 수집하고, 데이터의 품질 측면에서 장애인 구직자의 접근성을 저해하는 요소를 분석하였다. 또한, 구직자의 장애 특성과 직무 특성 간의 정밀한 매칭을 위해, 거대 언어 모델(Large Language Model)을 활용하여 채용공고 내의 비정형 텍스트를 구조화하고, 명시되지 않은 은닉 정보(예: 적합 장애유형 및 정도)를 식별 및 추출하여 추천에 활용하였다. 구인·구직을 위한 추천 알고리즘으로 기계학습 및 딥러닝 기반의 단어 임베딩 모델인 TF-IDF(Term Frequency-Inverse Document Frequency)와 Sentence-BERT를 사용하여 구인·구직 데이터를 벡터화하고, 이들 간의 유사도 점수를 산출하여 최적의 추천 리스트를 도출하였다. 본 연구에서 수행한 실험의 평가를 위해, 상위 k개의 추천 리스트 중에서 채용공고의 직종과 구직자의 희망 직종 일치 여부를 비교하여 Top-k Accuracy와 MAP(Mean Average Precision)를 산출하였다. 또한, 실제 추천 결과를 직접 비교 및 분석하여 정성적으로 평가를 진행하였다. 그 결과, 전반적으로 Sentence-BERT의 결과가 TF-IDF의 결과보다 우수함을 확인하였고, 구직 추천의 경우 0.842의 Top-5 Accuracy를, 0.716의 MAP@5를 달성하였으며, 구인 추천의 경우 0.695의 Top-5 Accuracy를, 0.4의 MAP@5를 달성하였다. 정성 평가 결과에서도, 수요자의 특성에 맞는 적절한 구인·구직 추천이 이루어진 것을 확인할 수 있었다. 본 연구를 통해, 장애인 노동시장의 수요자 맞춤형 구인·구직 추천 알고리즘에 LLM의 적용 가능성을 확인하였다. 다양한 데이터의 확보 및 LLM의 한계 극복 등이 이루어진다면, 더 좋은 추천 결과를 기대해 볼 수 있을 것이다. 본 연구를 기반으로, 장애인 인력 고용기회가 확대되고, 체계적이고 능동적인 장애인 일자리의 제공이 이루어지기를 기대한다.

Abstract

This study aims to develop an AI-driven algorithm that provides personalized job recommendations tailored to the labor market for people with disabilities, addressing existing imbalances in job supply and demand. The authors collected job postings from a specialized employment portal for individuals with disabilities and analyzed accessibility barriers. A large language model (LLM) was used to structure unstructured job posting text and extract implicit information, such as the type and degree of disability, to improve alignment between job seekers’ needs and job requirements. The recommendation algorithm employs TF-IDF and Sentence-BERT to vectorize job and applicant data, using similarity scores to generate optimized recommendations. The system's performance was evaluated using Top-k Accuracy and Mean Average Precision (MAP) by comparing the alignment between recommended job categories and job seekers’ desired positions. Results show that Sentence-BERT outperformed TF-IDF, achieving a Top-5 Accuracy of 0.842 and MAP@5 of 0.716 for job search recommendations, and a Top-5 Accuracy of 0.695 and MAP@5 of 0.400 for job offers. Qualitative analysis further confirmed the relevance of recommendations to user needs. This research demonstrates the potential of LLMs in creating tailored job recommendation systems for people with disabilities. With more data and continued improvements in LLMs, this approach could significantly expand employment opportunities for individuals with disabilities.

참고문헌 (43)

  1. 이수련, "장애인 근로자의 노동시장 이행행태 분석", 노동정책연구, 23(2), pp.1~22 (2023)
  2. 2023 하반기 장애인경제활동실태조사, "이윤지", 한국장애인고용공단, ~ (2023)
  4. Wu, Likang, "A survey on large language models for recommendation", World Wide Web, 27(5), pp.60~ (2024)
  5. Fang, C., "Recruitpro: A pretrained language model with skill-aware prompt learning for intelligent recruitment", Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, pp.3991~4002 (2023)
  7. 2023 기업체장애인고용실태조사, "조신영", 한국장애인고용공단, ~ (2023)
  8. 장애인 구인구직 미스매치 해소를 위한 디지털 기반 강화방안, "전희주", 한국장애인고용공단, ~ (2021)
  9. Young, T., "Recent trends in deep learning based natural language processing", ieee Computational intelligenCe magazine, 13(3), pp.55~75 (2018)
  11. Wang, S., "A survey of word embeddings based on deep learning", Computing, 102(3), pp.717~740 (2020)
  12. Tata, S., "Estimating the selectivity of tf-idf based cosine similarity predicates", ACM Sigmod Record, 36(2), pp.7~12 (2007)
  15. Sun, K., "A survey of pretrained language models", International Conference on Knowledge Science, Engineering and Management, pp.442~456 (2022), Springer International Publishing
  17. "Automatic Pipeline for Information of Curve Graphs in Papers Based on Deep Learning" (2024)[URL]
  19. A. Patil, "A Survey on Artificial Intelligence (AI) based Job Recommendation Systems", 2023 International Conference on Sustainable Computing and Data Communication Systems (ICSCDS), pp.730~737 (2023)
  20. Mashayekhi, Yoosof, "A challenge-based survey of e-recruitment recommendation systems", ACM Computing Surveys, 56(10), pp.1~33 (2024)
  21. 손지은, "추천 시스템 기법 연구동향 분석", 대한산업공학회지, 41(2), pp.185~208 (2015)
  22. Guo, X., "An analysis framework for content-based job recommendation", Proceedings of the 22nd International Conference on Case-Based Reasoning (ICCBR) (2014)
  23. Alsaif, S. A., "Learning-Based Matched Representation System for Job Recommendation", Computers, 11(11), pp.161~ (2022)
  24. Mishra, R., "Efficient and Scalable Job Recommender System Using Collaborative Filtering", ICDSMLA 2019: Proceedings of the 1st International Conference on Data Science, Machine Learning and Applications, pp.842~856 (2019), Springer Singapore
  25. Patel, R., "An Efficient Approach for Job Recommendation System Based on Collaborative Filtering", ICT Systems and Sustainability: Proceedings of ICT4SD 2019, 1, pp.169~176 (2019), Springer Singapore
  26. Saha, D., "Job Recommendation a Hybrid Approach Using Text Processing", Doctoral Symposium on Human Centered Computing, pp.74~85 (2023), Springer Nature Singapore
  27. Gupta, A., "Applying data mining techniques in job recommender system for considering candidate job preferences", 2014 international conference on advances in computing, communications and informatics (ICACCI), pp.1458~1465 (2014), IEEE
  28. Martinez-Gil, "Recommendation of job offers using random forests and support vector machines", Proceedings of the of the EDBT, 2018, ~
  29. Chen, W., "Tree-based contextual learning for online job or candidate recommendation with big data support in professional social networks", IEEE Access, 6, pp.77725~77739 (2018)
  30. Wang, P., "The analysis and design of the job recommendation model based on GBRT and time factors", 2016 IEEE International Conference on Knowledge Engineering and Applications (ICKEA), pp.29~35 (2016), IEEE
  31. Gugnani, A., "Implicit skills extraction using document embedding and its use in job recommendation", Proceedings of the AAAI conference on artificial intelligence, pp.13286~13293 (2020)
  32. Khaouja, I., "A survey on skill identification from online job ads", IEEE Access, 9, pp.118134~118153 (2021)
  33. "개인정보보호법, 법률 제 19234호", ~
  34. "Selenium"[URL]
  35. "OpenAI"[URL]
  36. "장애인복지법 시행규칙, 보건복지부령 제1050호", ~
  37. "Hugging Face"[URL]
  40. 김필호, "장애인의 직업능력 유형화 및 취업 간의 관계", 장애와 고용, 30(3), pp.109~130 (2020)
  41. Radford, A., "Language Models are Unsupervised Multitask Learners", OpenAI blog, 1(8), pp.9~ (2019)
  43. 김영호, "디지털 시대의 장애인 정보격차 해소 방안 연구", 정보사회연구, 25(3), pp.55~78 (2019)

관련 논문AI추천

인공지능(AI) 기반 직업 훈련 평가 데이터 분석 및 취업 예측프로그램 구현문일영, 천재성한국실천공학교육학회 · 실천공학교육논문지2024 · 제16권 제4호장애인 채용 공고에 나타난 직업 간 유사도 분석류현주, 박정식특수교육재활과학연구소 · 특수교육재활과학연구2019 · 제58권 제4호기계학습을 활용한 장애인 취업 예측모형 탐색 및 분석염동문, 정대영한국장애인고용공단 고용개발원 · 장애와 고용2024 · 제34권 제3호직업훈련생 평가 데이터와 취업 결과의 상관관계: 머신러닝 모델을 통한 예측 방안 연구문일영, 천재성한국실천공학교육학회 · 실천공학교육논문지2024 · 제16권 제3호랜덤 포레스트를 활용한 장애인 취업 예측 모형: 취업 여부 및 정규직 취업을 중심으로김영식, 이기정한국장애인고용공단 고용개발원 · 장애와 고용2019 · 제29권 제3호딥러닝기반 텍스트 분석을 통한 직업분류시스템 구축에 관한 연구심지환, 장지연, 전병유, 정준호한국진로·창업경영학회 · 한국진로창업경영학회지2022 · 제6권 제4호
원문 보기