Comparative Analysis of Job Recommendation Filtering Techniques
Rattachement africain : in. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
The objective of the paper is to present a technical and novel comparative study of job recommendation filtering techniques, addressing gaps in existing research. We evaluate Content-Based (CBF), Collaborative Filtering (CF), and Hybrid models, introducing a Graph-Enhanced Hybrid Model that improves skill-aware recommendations using Graph Neural Networks (GNNs). Our evaluation includes accuracy, diversity, novelty, and fairness metrics, demonstrating superior performance over baselines.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Comparative Analysis of Job Recommendation Filtering Techniques
- Date Crossref
- 19/09/2025
- Éditeur
- Science Publishing Corporation
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.