FAQ’s Suche

ProfileMap durchsucht den übergebenen Text nach den Namen und Synonymen der Entitäten in der Ontologie. Falls mehrere Entitäten den gleichen Namen oder ein gleiches Synonym haben, erscheinen alle in den extrahierten Entitäten.

Wenn man mit der Maus über eine der Entitäten in den Suchkriterien fährt, erscheint neben der Anzeige des Entitätslevels ein Mülltonnen-Symbol. Entitäten können durch einen Klick auf dieses Symbol entfernt werden.

Entitäten können mithilfe der jeweiligen Suchleisten hinzugefügt werden. Unterhalb der Suchleisten werden während der Nutzer tippt basierend auf einem Vergleich des eingegebenen Textes mit dem Namen und den Synonymen der Entitäten Vorschläge angezeigt. Eine Entität wird durch einen Klick auf den entsprechenden Vorschlag hinzugefügt.

Das geforderte Kompetenzlevel kann auf Werte zwischen 1 und 4 gesetzt werden. Nur falls in einem Profil wenigstens eine angefragte Entität auf mindestens dem geforderten Level enthalten ist oder falls es eine Kompetenz enthält, die es sehr wahrscheinlich macht, dass die angefragte Kompetenz auf mindestens dem geforderten Level vorhanden ist, auch wenn diese nicht explizit aufgeführt wurde (z. B.  lässt Wissen über eine Bibliothek einer speziellen Programmiersprache darauf schließen, dass auch Wissen über die Programmiersprache vorhanden ist), erscheint das Profil in der Ergebnisliste. Die Kompetenz- und Sprachlevel können außerdem die Reihenfolge, in der Profile in der Ergebnisliste erscheinen beeinflussen.

Entitäten können verpflichtend gemacht werden, indem man mit der Maus über den Entitätsnamen fährt und die daraufhin erscheinende Checkbox auswählt.

Falls eine oder mehrere Entitäten verpflichtend gemacht wurden, werden nur Kandidaten, die alle verpflichtenden Entitäten auf mindestens dem geforderten Level in ihrem Profil haben, in der Ergebnisliste angezeigt. Verwandte Kompetenzen sind in diesem Fall nicht ausreichend.

Falls eine oder mehrere Entitäten verpflichtend gemacht wurden, werden nur Kandidaten, die alle verpflichtenden Entitäten auf mindestens dem geforderten Level in ihrem Profil haben, in der Ergebnisliste angezeigt. Verwandte Kompetenzen sind in diesem Fall nicht ausreichend.

Falls keine Entität verpflichtend gemacht wurde, erscheint ein Profil nur dann in der Ergebnisliste, falls in dem Profil wenigstens eine angefragte Entität auf mindestens dem geforderten Level enthalten ist oder falls es eine Kompetenz enthält, die es sehr wahrscheinlich macht, dass die angefragte Kompetenz auf mindestens dem geforderten Level vorhanden ist, auch wenn diese nicht explizit aufgeführt wurde (z. B.  lässt Wissen über eine Bibliothek einer speziellen Programmiersprache darauf schließen, dass auch Wissen über die Programmiersprache vorhanden ist).

Auf der Suchergebnisseite wird eine geordnete Liste von Kandidaten angezeigt. Die Kandidaten sind danach geordnet, für wie passend das System das Profil des Kandidaten für die Anfrage einschätzt. Für jede Anfrage werden maximal 100 Kandidaten angezeigt.

Um die Reihenfolge der angezeigten Profile festzulegen, berechnet ProfileMap wie ähnlich ein Kandidat bezüglich verschiedener Aspekte der Anfrage ist. Ein in der Suche betrachteter Aspekt is z. B. zu schauen wie ähnlich ein Kandidatenprofil bezüglich der angegebenen wissenschaftlichen Fächer ist. Als wissenschaftliches Fach gelten hier beispielsweise "Marketing", "Softwarearchitektur" oder "Maschinelles Lernen".

ProfileMap verwendet unterschiedliche Maße, um die Ähnlichkeit bezüglich eines Aspekts zu ermitteln, aber üblicherweise gelten eine Anfrage und ein Profil als ähnlicher, wenn der Überlapp der Entitäten zwischen beiden größer ist und wenn die Entitäten, die nicht exakt übereinstimmen, verwandt sind zu anderen Entitäten im Kandidatenprofil.

Die unterschiedlichen Aspektähnlichkeiten werden als Features in einem Machine Learning-Modell verwendet, das darauf basierend den Gesamt-Score ermittelt. Das Model wurde auf dem Feedback von Nutzern trainiert, die bewertet haben, wie gut ein Kandidatenprofil auf die jeweilige Suchanfrage passt. Hieraus lernt das Model wie wichtig welche Aspekte und welche Kombinationen von Aspekten für unterschiedliche Arten von Anfragen sind. Es versucht dann vorherzusagen, wie viele Sterne ein Experte dem Profil für die jeweilige Suchanfrage geben würde. Die Ergebnisse werden entsprechend dieser Vorhersage des Machine Learning-Models geordnet.

Der große Prozentwert, der in den Einträgen der Suchergebnisliste und oben im Side-by-side-Vergleich angezeigt wird, ist der Gesamtscore. Ein Machine Learning-Model wurde auf dem Feedback von Nutzern trainiert, die bewertet haben, wie gut ein Kandidatenprofil auf die jeweilige Suchanfrage passt. Das Model versucht vorherzusagen wie viele Sterne ein Experte dem Match zwischen Anfrage und Profil geben würde. Die Vorhersage wird dann auf 0-100% hoch skaliert.

Darüber hinaus werden in der Ergebnisliste und dem Side-by-side-Vergleich Scores für Kompetenzen, Projekte und Zertifikate, sowie nur im Side-by-side-Vergleich auch für Sprachen angezeigt. Der Sprach-Score entspricht dem Anteil von angefragten Sprachen, die im Profil des Kandidaten vorhanden sind. Wenn also drei Sprachen angefragt werden, der Kandidat aber nur eine dieser drei in seinem oder ihrem Profil hat, so beträgt der Score 33%. Analog hierzu, ist der Zertifikat-Score der Anteil an angefragten Zertifikaten, die im Profil des Kandidaten sind und der Projekt-Score der Anteil an Kompetenzen und Sprachen, die in wenigstens einem der Projekte des Kandidaten vorhanden sind.

Für die Kompetenzen zieht das Machine Learning-Model eine Vielzahl an indirekten Ontologie-Beziehungen in Betracht. Um diesem Rechnung zu tragen, wird der Kompetenz-Score nicht einfach als Anteil von übereinstimmenden Kompetenzen berechnet, sondern ist stattdessen an den Gesamtscore des komplexen Machine Learning-Models geknüpft und um die Ergebnisse der anderen Scores korrigiert. Auf diese Weise kann der Gesamtscore als Kombination von Kompetenz-, Sprach-, Zertifikat- und Projekt-Score betrachtet werden, wobei der Kompetenz-Score dem größten Anteil des Gesamtscores entspricht.

Im Gegensatz zu den anderen Scores, basieren Gesamt- und Kompetenz-Score auf einem komplexen Machine Learning-Model. Da dieses Model zurückhaltend mit sehr großen und sehr kleinen Vorhersagewerten ist und da die betrachteten Informationen über die im Side-by-side-Vergleich dargestellten indirekten Beziehungen hinaus gehen, sind sowohl Gesamt- als auch Kompetenz-Score typischerweise nicht bei 100%, wenn alle Suchkriterien und nicht bei 0%, wenn kaum welche erfüllt sind.

Im Side-by-side-Vergleich ist das Fenster in zwei Hälften unterteilt. Auf der linken Seite werden der Anfragetext und die angefragten Kompetenzen, Sprachen und Zertifikate gezeigt. Auf der rechten Seite werden die entsprechenden relevanten Teile des Kandidatenprofils dargestellt. Angefragte Entitäten, die im Kandidatenprofil fehlen, werden hier in rot und durchgestrichen angezeigt. Angefragte Entitäten, die im Kandidatenprofil vorhanden sind, in schwarz. Verwandte Kompetenzen, die nahelegen, dass ein Kandidat eine bestimmte Kompetenz hat, werden eingerückt in grau dargestellt. Relevante Projekte werden auf der rechten Seite mit grün hervorgehobenen direkt oder indirekt passenden Tags angezeigt.

Projekte werden mit Kompetenzen und Sprachen getaggt. Falls wenigstens eines dieser Tags mit einer angefragten Entität entweder direkt oder indirekt übereinstimmt, wird das Projekt als relevant erachtet und dargestellt.

Wenn eine Suche gespeichert wurde, hat man auf der Suchergebnisseite die Möglichkeit an ProfileMap zurückzumelden, wie gut ein Kandidatenprofil auf die Suchanfrage passt, indem man ein bis fünf Sterne für jedes Profil vergibt. Vergibt man fünf Sterne, so bedeutet dies, dass das Kandidatenprofil sehr gut zur Suchanfrage passt. Vergibt man einen Stern, so bedeutet dies, dass das Kandidatenprofil gar nicht zur Suchanfrage passt. ProfileMap kann diese Information nutzen, um das Machine Learning-Model, das die Reihenfolge der Suchergebnisse festlegt, weiter zu trainieren.

Eine Suche kann durch einen Klick auf den "Suche speichern"-Button oben auf der Suchergebnisseite gespeichert werden. In diesem Fall werden die Suchparameter und die Suchergebnisse zusammen mit zusätzlichen Metadaten abgespeichert, die gesetzt werden können, indem das Formular, das erscheint, wenn man auf "Daten anfordern" klickt, ausfüllt.

Gespeicherte Suchen werden im Suchverlauf aufgelistet, die über das Dashboard durch einen Klick auf den "Kandidaten/-innen suchen"-Button oder über einen Klick auf "Suche" in der Navigationszeile aufgerufen werden kann. Das Metadatenfeld "Anfragebetreff" wird im Suchverlauf unter "Anfrage" angezeigt. Durch einen Klick auf einen Eintrag in der Tabelle wird die gespeicherte Suche inklusive der vorher gesetzten Metadaten geladen. Die Suchergebnisse werden mit der Suche abgespeichert, was dazu führt, dass das Laden einer Suche signifikant schneller als das Ausführen einer neuen ist und sicherstellt, die gleichen Ergebnisse zurück geliefert werden, wie zu dem Zeitpunkt als die Suche ursprünglich ausgeführt wurde.

Wenn die Suchparameter einer geladenen Suche verändert werden, muss die Suche zunächst ausgeführt werden, bevor es möglich ist die abgeänderte Suche wieder abzuspeichern. Eine abgeänderte Suche zu speichern führt stets zum Überschreiben der ursprünglichen Suche. Falls eine neue Suche gespeichert werden soll, so muss der "Neue Suche"-Button verwendet werden, um eine neue Suchanfrage zu stellen.