무슨 연구인가
채용 담당자가 키워드로 이력서를 검색하면, 표현만 조금 다른 보석 같은 후보를 자꾸 놓칩니다. 이 연구는 사람 대신 AI가 이력서의 '의미'와 '경력 흐름'을 동시에 읽어 비슷한 사람끼리 묶어주는 방법을 만들었습니다.
🔬 어떻게 분석했나
- ① 이력서 글을 숫자 좌표로 바꿨어요(sentence-BERT 임베딩) — 뜻이 비슷한 문장일수록 가까운 자리에 놓이게 하는 기술이라, 컴퓨터가 '말은 달라도 뜻은 같다'를 거리로 알아챕니다.
- ② 경력이 '어떤 순서로' 흘렀는지도 담았어요(LSTM) — LSTM은 앞 내용을 기억하며 다음을 읽는 신경망이라, '인턴→개발자→창업' 같은 흐름의 리듬을 포착합니다.
- ③ 좌표가 너무 복잡해서 지도처럼 납작하게 폈어요(UMAP) — 수백 차원 정보를 눈에 보이는 2~3차원으로 줄여 가까운 사람끼리 모이게 합니다.
- ④ 6가지 묶는 방법을 겨뤄 가장 깔끔한 것(스펙트럴 군집)을 골랐어요 — 결과는 8개 인재 그룹.
- ⑤ 각 그룹이 '무슨 사람들인가'는 LDA 토픽모델링과 전문가 확인으로 이름을 붙였어요 — LDA는 글 뭉치에서 자주 함께 나오는 단어를 묶어 숨은 주제를 찾아주는 기법입니다.
📊 무엇을 찾았나
1만 명이 '신기술 프리랜서'부터 '산업을 넘나드는 디지털 전략가'까지 8개 묶음으로 깔끔하게 갈렸고, 전문가도 "이건 평소 놓치던 후보군"이라며 설명이 납득된다고 평가했습니다.
💡 내 연구에 가져갈 것
이력서·리뷰처럼 '뜻'이 중요한 텍스트를 묶을 땐, 키워드 매칭 대신 sentence-BERT 임베딩부터 시작해 보세요.
📄 논문 정보
Hybrid semantic-sequence clustering HSSC for AI-driven recruitment: pattern discovery in professional social networks
Fatima Zahra Abbour, Soufiane Ardchir, Soumaya Ounacer, Mohamed Azzouazi
International Journal of Information Management Data Insights · 2026-11-07 · 🔓 오픈액세스
원문 보기 ↗
이 글은 연구 소개를 위한 해설이며, 논문 원문의 저작권은 저자와 출판사에 있습니다. 원문은 위 링크(DOI)에서 확인하실 수 있습니다. 권리자께서 요청하시면 바로 내리겠습니다.