HRHUB: A Bilateral Job Posting Enriched Semantic Matching System for Recruitment
Authors
Term
1. semester
Education
Publication year
2025
Submitted on
2025-12-17
Pages
45
Abstract
Rekrutterings- og udvælgelsesprocesser understøttes i stigende grad af automatiserede systemer, men mange eksisterende løsninger udviser adskillige veldokumenterede ineffektiviteter: (1) ensidig filtrering, der fokuserer på virksomhedernes behov og ignorerer kandidaterne på jobmarkedet; (2) søgeordsbaseret matchning, der ikke formår at indfange semantisk betydning; og (3) dyre beregningsprocesser, hvor virksomheder bruger AI til at filtrere kandidater, og kandidater bruger AI til at forfine deres CV'er, en evig kamp mellem AI (virksomhed) versus AI (kandidat). Dette semesterprojekt præsenterer HRHUB, et bilateralt jobopslagsberiget semantisk matchningssystem, der omformulerer rekrutteringsmatchning til en tosidet semantisk justeringsproces. I stedet for at behandle jobmatchning som et envejsfiltreringsproblem, justerer HRHUB kandidater og virksomheder gennem jobopslag som en semantisk bro og skaber et fælles integreringsrum, hvor begge parters behov optimeres samtidigt. Denne tosidede tilgang sigter mod at reducere overflødig screeningsindsats ved at understøtte mere målrettet matchning, understøtte mere effektiv og kontekstbevidst matchudforskning og i sidste ende skabe et mere innovativt og produktivt arbejdsmarked. Systemet anvender præ-trænede sætningsindlejringer til semantisk matchning med nul skud, hvilket beriger jobopslag for at indfange færdigheder og kontekst, som traditionelle søgeordsmetoder overser (Faliagka et al., 2012). HRHUB implementeres som en end-to-end-workflow (dataindtagelse i tekstkonstruktion, generering af indlejringer, lighedsmatchning og visualisering) og inkorporerer et forklaringslag, der genererer menneskeligt læsbare matchbegrundelser, hvilket positionerer det som et beslutningsstøtteværktøj snarere end en erstatning for menneskelig vurdering. Ud over øjeblikkelig rekrutteringsoptimering illustrerer HRHUB, hvordan semantiske matchsystemer kan understøtte nye AI-drevne rekrutteringsworkflows: Efterhånden som automatisering i stigende grad påvirker arbejdsmarkederne, giver tosidede matchsystemer yderligere synlighed i færdighedsfordelinger og matchningsadfærd. Organisationer, der udforsker AI-assisteret rekruttering, kan drage fordel af mere transparente og skalerbare matchningsworkflows i forhold til dem, der forsinker implementeringen, og tosidede matchsystemer som HRHUB fremhæver potentielle retninger for fremtidig forskning i arbejdsstyrketilpasning i AI-assisteret rekruttering. Evaluering gennem baseline-sammenligninger (TF-IDF, Jaccard), dækningsmålinger og menneskelig validering giver kvalitativ indsigt i opfattet matchrelevans og systemadfærd. Dette projekt bidrager med en praktisk og forklarlig ramme for HR bilateral jobopslagsberiget semantisk matchning, der adresserer både umiddelbar rekrutteringsineffektivitet og langsigtede arbejdsmarkedsudfordringer i en AI-drevet økonomi.
Recruitment and selection processes are increasingly supported by automated systems, but many existing solutions exhibit several well-documented inefficiencies: (1) one-sided filtering that focuses on the needs of companies, neglecting the job market candidates; (2) keyword-based matching that fails to capture semantic meaning; and (3) expensive computational processes, in which companies use AI to filter candidates, and candidates use AI to refine their resumes, an eternal struggle between AI (company) versus AI (candidate). This semester project presents HRHUB, a bilateral job-posting enriched semantic matching system that reframes recruitment matching as a two-sided semantic alignment process. Instead of treating job matching as a one-way filtering problem, HRHUB aligns candidates and companies through job postings as a semantic bridge, creating a shared embedding space where the needs of both parties are optimized simultaneously. This two- sided approach aims to reduce redundant screening effort by supporting more targeted matching, supporting more efficient and context-aware match exploration, ultimately creating a more innovative and productive labor market. The system utilizes pre-trained sentence embeddings for zero-shot semantic match- ing, enriching job postings to capture skills and context that traditional keyword methods miss (Faliagka et al., 2012). Implemented as an end-to-end workflow (data ingestion into text construction, into embedding generation, into similarity matching, and into visu- alization), HRHUB incorporates an explainability layer that generates human readable match justifications, positioning it as a decision support tool rather than a substitute for human judgment. Beyond immediate recruitment optimization, HRHUB illustrates how semantic match- ing systems may support emerging AI-driven recruitment workflows: as automation in- creasingly impacts labor markets, two-sided matching systems provide additional visibil- ity into skill distributions and matching behavior. Organizations exploring AI-assisted recruitment may benefit from more transparent and scalable matching workflows over those that delay adoption, and two-sided matching systems like HRHUB highlight po- tential directions for future research on workforce alignment in AI-assisted recruitment. Evaluation through baseline comparisons (TF-IDF, Jaccard), coverage metrics, and human validation provides qualitative insight into perceived match relevant and system behavior. This project contributes a practical and explainable framework for HR bi- lateral job-posting-enriched semantic matching, addressing both immediate recruitment inefficiencies and long-term labor market challenges in an AI-driven economy.
Documents