Selecting the right candidate for a job can be a challenge. Moreover, there are significant costs associated with recruiting new talent. Thus there is a requirement for precision, accuracy, and neutrality from an organization when hiring a new employee. This thesis project focuses on the restaurant and hotel industry, an industrial sector that has traditionally used a haphazard set of recruiting methods. Unlike large corporations, restaurants cannot afford to hire dedicated recruiters. In addition, the primary medium used to find jobs and job seekers in this industry often obscure comparisons between relevant positions. The complex infrastructure of this industry requires a place where both recruiter and job seeker can access a standardized overview of the entire labor market. Introducing automation in hiring aims to better address these complex demands and is becoming a common practice throughout other industries, especially with the help of internet based recruitment and pre-selection of candidates. These solutions also have the potential to minimize risks of human bias when screening candidates. This thesis aims to minimize inefficiencies and errors associated with the existing manual recruitment screening process by addressing two main issues: the rate at which applicants can be screened and the quality of the resulting matches. This thesis first discusses and analyzes related work in automated recruitment in order to propose a refined solution suitable for the target area. This solution –semantic matching of jobs and candidates - is subsequently evaluated and tested in partnership with Cheffle, a service industry networking company. The thesis concludes with suggestions for potential improvements to Cheffle´s current system and details the viability of recruiting with the assistance of an automated semantic matching application. / Att välja den rätta kandidaten för ett jobb kan vara en utmaning. Det finns dessutom betydliga kostnader i att rekrytera ny arbetskraft. På grund därav finns det ett behov för noggrannhet och neutralitet från en organisation vid rekrytering av ny personal. Detta examensprojekt fokuserar på restaurang och hotellbranschen. Denna branchsektor har traditionellt sett använt undermåliga rekryteringsmetoder. Till skillnad från stora företag så kan inte restauranger avvara resurser för egna rekryterare. Därtill så försvårar de primära medierna för rekrytering i sektorn jämförelser mellan relaterade lediga jobb. Denna komplexa infrastruktur skapar ett behov av en plats där både företag och arbetssökande har tillgång till en standardiserad översikt av hela arbetsmarknaden. Introduktionen av automatisering har som syfte att bemöta dessa komplexa krav och blir alltmer vanligt inom andra branscher. Speciellt med hjälp av internetbaserad rekrytering och förval av jobbkandidater. Dessa lösningar har även potentialen att minimera risken för mänsklig subjektivitet och opartiskhet vid förval av jobbkandidater. Detta examensprojekt har som syfte att minimera ineffektiviteter och fel samhörande med den nuvarande manuella rekryteringsmetoden genom att tackla två huvudproblem: takten i vilken förvalet av arbetssökande kan göras och kvaliteten av detta förval. Detta examensprojekt inleder med en diskussion och analys av relaterade arbeten inom automatiserad rekrytering för att sedan presentera en möjlig lösning för det behandlade målområdet. Denna lösning – semantisk matchning av jobb och jobbsökande - är senare utvärderad och testad i samarbete med Cheffle, ett nätverksföretag inom serviceindustrin. Detta examensprojekt avslutar med lösningsförslag för potentiell förbättring till Cheffles nuvarande system och en slutsats om genomförbarheten av automatisering inom rekrytering.

För små företag utan rekryteringsansvarig person kan det var svårt att hitta rätt personal. Brist på sådana resurser är en påfrestning som leder till stress och mindre lyckade rekryteringar. Målet med arbetet var att hitta en lösning för att automatisera matchning i en rekryteringsprocess genom att ge förslag på relevanta personer som tidigare sökt jobb hos företag via Cheffle:s tjänst. Det finns flera olika sätt att matcha uppsättningar av data. I det här fallet användes maskininlärning som lösningsmetod. Detta implementerades tillsammans med en prototyp som hämtade in data om jobbet och den arbetssökande. Maskininlärningsmodellerna Supportvektormaskin och Artificiella Neural Nätverk använde sig av denna data för att betygsätta de arbetssökande. Detta utifrån hur väl de matchade jobbannonsen. Arbetets slutsats är att ingen modell hade tillräckligt hög precision i sina klassificeringar för att användas i en verklig implementation, detta då endast små mängder testdata fanns tillgänglig. Resultatet visade att maskininlärningsmodellerna Supportvektormaskin och Artificiella Neurala Nätverk visade potential för att kunna användas vid denna typ av matchning, men för att fastställa detta krävs mer träningsdata / It can be hard for a small company with no dedicated HR-role to find suiting recruits. A lack of resources takes a toll on the existing employees and increase stress that further harms recruiting. The goal of this work was to find a solution to automate matching in a recruitment process by suggesting relevant applicants that have previously used Cheffle. There are multiple ways of matching data. In the case of this study, machine learning was used. A prototype was developed. It collected data about a job and its related applicants. The data was then used by the machine learning models Support vector machine and Artificial Neural Network to classify the applicants by how closely they match the job position. The conclusion made in this work is that no model had a precision high enough in its classification to be used in a final implementation. The low precision in classification is likely a result of the small amount of test data available. The result showed that the machine learning models Support vector machine and Artificial Neural Network had potential in this type of matching. To firmly determine this the models would need to be tested with more test data.