چکیده: چکیده طی سال‌های اخیر، فرآیند استخدام و شغل‌یابی برخط با رشد قابل توجهی مواجه بوده است. این موضوع به موسسات تجاری کمک می‌کند تا قبل از مصاحبه حضوری، حجم گسترده‌ای از متقاضیان با خصوصیات و قابلیت‌های مختلف را بررسی کنند. از طرفی دیگر، متقاضیان نیز اکنون می‌توانند شرکت‌های بیشتری را در نقاط مختلف جغرافیایی بررسی کرده و برای آن‌ها رزومۀ خود را بفرستند که می‌تواند موجب رقابتی‌تر شدن شغل‌یابی میان متقاضیان شود. سیستم‌های پشنهاد دهندۀ شغل، به همراه الگوریتم‌های استخراج مهارت از متون، به صورت خودکار مهارت‌های موجود در مشاغل و رزومه‌ها را اسخراج کرده و متناسب‌ترین مشاغل را به متقاضیان پیشنهاد می‌دهد. اما چنین سیستم‌هایی با چالش‌های مختلفی همچون نقص در نوشتار متن توضیحات شغلی و رزومه‌ها همراه است. به گونه‌ای که ممکن است برخی از مهارت‌های فرد به دلایل متنوعی ذکر نشده باشند. همچنین نبود استانداردی جامع برای نگارش رزومه و توضیحات شغل می‌تواند موجب نادیده‌گیری برخی از اطلاعات شود. در چنین حالاتی سیستم‌های خودکار پیشنهاد‌دهنده نمی‌توانند نتایج مطلوبی ارائه دهند. با توجه به این مسائل، هدف کلی سیستمی که طراحی کرده‌ایم این است که ابتدا بتواند بدون محدودیت بر ساختار نگارش متن رزومه و توضیحات شغلی، مهارت‌های مستقیم و غیرمستقیم را تا حد امکان استخراج نمود و سپس با توجه به آن‌ها شغل پیشنهاد کند. علاوه بر آن برای کمک به متقاضی در فضای رقابتی شغل‌یابی، سیستمی طراحی کردیم که با توجه به حوزه فعالیت حرفه‌ای و مهارت‌های فعلی متقاضی، او را از سایر مهارت‌های بااهمیت و مشابه آگاه می‌سازد تا از این رو بتواند بهتر در مسیر موفقیت شغلی خود قدم‌ بردارد و هوشمندانه‌‌تر برنامه‌ریزی کند. جهت تحقق اهداف پایان نامه، سیستمی طراحی کرده‌ایم که شامل سه بخش در استخراج مهارت‌های شغلی با توجه به رزومه متقاضی و بهبود پیشنهاد شغل خواهد بود. برای بخش اول مهارت‌های مستقیم و غیرمستقیم ذکر شده در متن توضیحات شغلی و رزومه‌ها را استخراج کرده و با توجه به تراکم مهارت‌ها در هر کلاس رزومه، برای هر مهارت معیار اهمیت در آن کلاس درنظر گرفته‌ایم. در انتهای این بخش، مناسب‌ترین شغل‌ها با تطبیق مهارت‌ها و درنظرگیری اهمیتشان برای هر رزومه پیشنهاد داده می‌شوند. برای سنجش ارتباط نتایج سیستم پیشنهاد شغل از معیار nDCG استفاده کرده‌ایم و دقت 87.27% را برای کل مجموعه داده رزومه‌ها بدست آوردیم. در بخش دوم، مهارت‌های استخراج شده از رزومه‌ها براساس حوزه فعالیت یا کلاسشان دسته بندی شده و توسط مدل تعبیه کلمات از حالت متنی به برداری تبدیل شدند. سپس 10 مدل یادگیری عمیق دودویی جهت پیش‌بینی کلاس رزومه‌ها با توجه به مهارتشان آموزش داده شده‌اند. در بخش سوم، برای هر رزومه متناسب کلاس و دسته‌بندی کلاس‌ محوری که در بخش پیش اعمال شد، مهارت پیشنهاد داده‌ایم. سپس برای رزومه با مهارت‌ها پیشنهادی جدید مجدد فرایند پیشنهاد شغل را پیاده‌سازی کردیم. در آخر این بخش، برای بهبود هرچه بیشتر نتایج مهارت‌های پیشنهادی که موجب کاهش دقت پیشنهاد شغل شده بودند را حذف کردیم. در انتها، این سیستم موفق شد تا برای 1000 رزومه تصادفی با دقت پیشنهاد شغل اولیۀ ضعیف، میانگین دقت پیشنعاد شغل را تا 33% بهبود بخشد.