Giriş

Günümüzün zorlu iş piyasasında, bireyler bilinçli kariyer kararları vermek için güvenilir bilgiler toplamalıdır. Glassdoor, çalışanların anonim olarak deneyimlerini paylaştığı popüler bir platformdur. Bununla birlikte, incelemelerin bolluğu iş arayanları bunaltabilir. inşa etmeye çalışacağız NLPBunu ele almak için Glassdoor incelemelerini otomatik olarak anlayışlı özetlere yoğunlaştıran sistem. Projemiz, Selenium'u inceleme koleksiyonu için kullanmaktan özetleme için NLTK'den yararlanmaya kadar adım adım süreci araştırıyor. Bu özlü özetler, şirket kültürü ve büyüme fırsatları hakkında değerli içgörüler sağlayarak bireylerin kariyer hedeflerini uygun kuruluşlarla uyumlu hale getirmelerine yardımcı olur. Özetleme sürecinin kapsamlı bir şekilde anlaşılmasını sağlamak için yorumlama farklılıkları ve veri toplama hataları gibi sınırlamaları da tartışıyoruz.

Öğrenme hedefleri

Bu projenin öğrenme hedefleri, çok sayıda Glassdoor incelemesini etkili bir şekilde özlü ve bilgilendirici özetlere dönüştüren sağlam bir metin özetleme sistemi geliştirmeyi kapsar. Bu projeyi üstlenerek şunları yapacaksınız:

• Herkese açık platformlardan, bu durumda Glassdoor'dan gelen incelemeleri nasıl özetleyeceğinizi ve bir iş teklifini kabul etmeden önce bir kuruluşu değerlendirmek isteyen kişilere nasıl büyük fayda sağlayabileceğini anlayın. Mevcut çok miktarda metinsel verinin ve otomatik özetleme tekniklerine duyulan ihtiyacın getirdiği zorlukların farkına varın.
• Web kazımanın temellerini öğrenin ve Glassdoor incelemelerini çıkarmak için Python'daki Selenium kitaplığından yararlanın. Web sayfalarında gezinmeyi, öğelerle etkileşim kurmayı ve daha fazla analiz için metin verilerini almayı keşfedin.
• Glassdoor incelemelerinden elde edilen metinsel verileri temizleme ve hazırlama becerilerini geliştirin. Etkili özetleme için gürültüyü işlemek, ilgisiz bilgileri kaldırmak ve girdi verilerinin kalitesini sağlamak için yöntemler uygulayın.
• Metin işleme, belirteç oluşturma, cümle segmentasyonu ve daha fazlası için çok çeşitli NLP işlevlerinden yararlanmak üzere Python'daki NLTK (Doğal Dil Araç Seti) kitaplığından yararlanın. Metin özetleme sürecini kolaylaştırmak için bu araçları kullanma konusunda uygulamalı deneyim kazanın.

Bu makale, Veri Bilimi Blogatonu.

Proje Tanımı

Otomatikleştirilmiş bir metin özetleme sistemi geliştirerek önemli miktarda Glassdoor incelemesi geri bildirimini incelemeyi en aza indirin. Koşum alarak doğal dil işleme (NLP) teknikler ve makine öğrenme algoritmaları, bu sistem incelemelerden en uygun bilgileri çıkarır ve kompakt ve bilgilendirici özetler oluşturur. Proje, bireylerin bir kuruluşun kültürü ve çalışma ortamı hakkında göze çarpan içgörüleri hızlı bir şekilde kavramasını sağlamak için Selenium, veri ön işleme ve en son metin özetleme tekniklerini kullanan Glassdoor'dan veri toplamayı içerecek.

Sorun bildirimi

Bu proje, çok sayıda Glassdoor incelemesine dayanarak bir kuruluşun kültürünü ve çalışma ortamını yorumlamada insanlara yardımcı olmayı amaçlamaktadır. Çok kullanılan bir platform olan Glassdoor, bireylerin potansiyel işverenler hakkında içgörü toplaması için birincil kaynak haline geldi. Bununla birlikte, Glassdoor hakkında çok sayıda inceleme göz korkutucu olabilir ve bireylerin yararlı içgörüleri etkili bir şekilde damıtması için zorluklar yaratır.

Bir kuruluşun kültürünü, liderlik tarzını, iş-yaşam uyumunu, ilerleme beklentilerini ve genel çalışan mutluluğunu anlamak, bir kişinin kariyer kararlarını önemli ölçüde etkileyebilecek temel hususlardır. Ancak, her biri uzunluk, stil ve odak alanları açısından farklı olan çok sayıda inceleme arasında gezinme görevi gerçekten zordur. Ayrıca, özlü, anlaşılması kolay bir özetin olmaması sorunu yalnızca şiddetlendirir.

Bu nedenle, eldeki görev, sayısız Glassdoor incelemesini verimli bir şekilde işleyebilen ve kısa ama bilgilendirici özetler sunabilen bir metin özetleme sistemi tasarlamaktır. Bu süreci otomatikleştirerek, bireylere bir şirketin özelliklerine ilişkin kapsamlı bir genel bakışı kullanıcı dostu bir şekilde sunmayı amaçlıyoruz. Sistem, iş arayanların incelemelerdeki ana temaları ve duyguları hızlı bir şekilde kavramasını sağlayacak ve iş fırsatlarıyla ilgili daha sorunsuz bir karar verme sürecini kolaylaştıracaktır.

Bu sorunu çözerken, iş arayanların karşılaştığı bilgi doygunluğunu azaltmayı ve kariyer hedefleriyle uyumlu, bilinçli kararlar almalarını sağlamayı hedefliyoruz. Bu proje aracılığıyla geliştirilen metin özetleme sistemi, bir kuruluşun çalışma ortamını ve kültürünü anlamak isteyen bireyler için paha biçilmez bir kaynak olacak ve onlara istihdam ortamında gezinme konusunda güven sağlayacaktır.

Yaklaşım

Glassdoor incelemeleri aracılığıyla bir şirketin çalışma kültürü ve ortamının anlaşılmasını kolaylaştırmayı amaçlıyoruz. Stratejimiz, veri toplama, hazırlama ve metin özetlemeyi kapsayan sistematik bir süreci içerir.

1. Veri koleksiyonu: Glassdoor incelemelerini kazımak için Selenyum kitaplığını kullanacağız. Bu, hedeflenen şirket için birçok inceleme toplamamızı sağlayacaktır. Bu sürecin otomatikleştirilmesi, kapsamlı bir deneyim ve bakış açısı yelpazesi sunarak çeşitli incelemelerin toplanmasını sağlar.
2. Veri Hazırlama: İncelemeler toplandıktan sonra, çıkarılan metnin kalitesini ve alaka düzeyini sağlamak için verileri ön işleme tabi tutacağız. Bu, alakasız verilerin kaldırılmasını, olağandışı karakterlerin veya biçimlendirme tutarsızlıklarının ele alınmasını ve metnin cümleler veya kelimeler gibi daha küçük bileşenlere bölünmesini içerir.
3. Metin Özetleme: Metin özetleme aşamasında, önceden işlenmiş inceleme verilerinden kısa özetler oluşturmak için doğal dil işleme (NLP) teknikleri ve makine öğrenimi algoritmaları kullanacağız.

senaryo

Tanınmış bir teknoloji firması olan Salesforce'ta bir pozisyon teklif edilen yetkin bir yazılım mühendisi olan Alex'in durumunu hayal edin. Alex, karar verme sürecinin bir parçası olarak Salesforce'un çalışma kültürü, ortamı ve çalışan memnuniyetini daha derinlemesine araştırmak istiyor.

Glassdoor incelemelerini yoğunlaştırma yöntemimizle Alex, Salesforce'a özgü birçok çalışan incelemesinden ana noktalara hızla erişebilir. Alex, oluşturduğumuz otomatikleştirilmiş metin özetleme sisteminden yararlanarak, firmanın ekip odaklı çalışma kültürü, ilerleme fırsatları ve genel çalışan memnuniyeti gibi temel unsurları vurgulayan özlü özetler elde edebilir.

Alex, bu özetleri inceleyerek, incelemeleri okumak için çok fazla zaman harcamadan Salesforce'un kurumsal özelliklerini tam olarak anlayabilir. Bu özetler, Alex'in kariyer hedefleriyle uyumlu bir karar vermesini sağlayan, kompakt ama anlayışlı bir bakış açısı sağlar.

Veri Toplama ve Hazırlama

Selenyum kütüphanesini kullanacağız. Python Glassdoor'dan incelemeler almak için. Sağlanan kod parçacığı, süreci titizlikle açıklamaktadır. Aşağıda, şeffaflığın ve etik standartlara uygunluğun sürdürülmesiyle ilgili adımları özetliyoruz:

Kütüphaneleri İçe Aktarma

Dahil olmak üzere gerekli kitaplıkları içe aktararak başlıyoruz. Selenyum, Pandalarve diğer temel modüller, veri toplama için kapsamlı bir ortam sağlar.

# Importing the necessary libraries
import selenium
from selenium import webdriver as wb
import pandas as pd
import time
from time import sleep
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.keys import Keys
import itertools

Chrome Sürücüsünü Kurma

Depolandığı uygun yolu belirterek ChromeDriver kurulumunu yapıyoruz, böylece Selenium çerçevesiyle sorunsuz entegrasyona izin veriyoruz.

# Chaning the working directory to the path # where the chromedriver is saved & setting # up the chrome driver %cd "PATH WHERE CHROMEDRIVER IS SAVED"
driver = wb.Chrome(r"YOUR PATHchromedriver.exe") driver.get('https://www.glassdoor.co.in
/Reviews/Salesforce-Reviews-E11159.
htm?sort.sortType=RD&sort.ascending=false&filter.
iso3Language=eng&filter.
employmentStatus=PART_TIME&filter.employmentStatus=REGULAR')

Glassdoor Sayfasına Erişim

İstenen incelemeleri barındıran Glassdoor sayfasına erişmek için driver.get() işlevini kullanıyoruz. Bu örnek için, özellikle Salesforce incelemeler sayfasını hedefliyoruz.

İncelemeler aracılığıyla yineleme

İyi yapılandırılmış bir döngü içinde, önceden belirlenmiş sayıda sayfayı yineleyerek, sistematik ve kapsamlı inceleme çıkarımına olanak tanırız. Bu sayı, bireysel gereksinimlere göre ayarlanabilir.

Genişleyen İnceleme Ayrıntıları

İnceleme ayrıntılarını her yinelemede "Okumaya Devam Et" öğeleriyle etkileşim kurarak proaktif olarak genişleterek ilgili bilgilerin kapsamlı bir şekilde toplanmasını kolaylaştırıyoruz.

İnceleme başlıkları, iş ayrıntıları (tarih, rol, konum), derecelendirmeler, çalışanların görev süresi, artılar ve eksiler dahil olmak üzere birçok inceleme ayrıntısını sistematik olarak bulur ve çıkarırız. Bu ayrıntılar ayrılır ve doğru temsili sağlamak için ayrı listelerde saklanır.

DataFrame Oluşturma

Pandaların yeteneklerinden yararlanarak, her yinelemeden çıkarılan bilgileri barındırmak için geçici bir DataFrame (df_temp) oluşturuyoruz. Bu yinelemeli DataFrame daha sonra birincil DataFrame'e (df) eklenir ve gözden geçirme verilerinin birleştirilmesi sağlanır.

Sayfalandırma sürecini yönetmek için, "İleri" düğmesini verimli bir şekilde buluyoruz ve bir tıklama olayı başlatıyoruz, ardından bir sonraki inceleme sayfasına gidiyoruz. Bu sistematik ilerleme, mevcut tüm incelemeler başarıyla elde edilene kadar devam eder.

Veri Temizleme ve Sıralama

Son olarak, "Tarih" sütununu tarih saat biçimine dönüştürmek, daha iyi organizasyon için dizini sıfırlamak ve gözden geçirme tarihlerine göre DataFrame'i azalan düzende sıralamak gibi temel veri temizleme işlemleriyle devam ediyoruz.

Bu titiz yaklaşım, birçok Glassdoor incelemesinin kapsamlı ve etik bir şekilde toplanmasını sağlayarak, daha fazla analiz ve müteakip metin özetleme görevlerini mümkün kılar.

# Importing the necessary libraries
import selenium
from selenium import webdriver as wb
import pandas as pd
import time
from time import sleep
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.keys import Keys
import itertools # Changing the working directory to the path # where the chromedriver is saved
# Setting up the chrome driver
%cd "C:UsersakshiOneDriveDesktop"
driver = wb.Chrome(r"C:UsersakshiOneDriveDesktopchromedriver.exe") # Accessing the Glassdoor page with specific filters
driver.get('https://www.glassdoor.co.in/Reviews/
Salesforce-Reviews-E11159.htm?sort.sortType=RD&sort.
ascending=false&filter.iso3Language=eng&filter.
employmentStatus=PART_TIME&filter.employmentStatus=REGULAR') df = pd.DataFrame() num = 20
for _ in itertools.repeat(None, num): continue_reading = driver.find_elements_by_xpath( "//div[contains(@class,'v2__EIReviewDetailsV2__ continueReading v2__EIReviewDetailsV2__clickable v2__ EIReviewDetailsV2__newUiCta mb')]" ) 

 time.sleep(5) review_heading = driver.find_elements_by_xpath("//a[contains (@class,'reviewLink')]") review_heading = pd.Series([i.text for i in review_heading]) dets = driver.find_elements_by_xpath("//span[contains(@class, 'common__EiReviewDetailsStyle__newUiJobLine')]") dets = [i.text for i in dets] dates = [i.split(' - ')[0] for i in dets] role = [i.split(' - ')[1].split(' in ')[0] for i in dets] try: loc = [i.split(' - ')[1].split(' in ')[1] if i.find(' in ')!=-1 else '-' for i in dets] except: loc = [i.split(' - ')[2].split(' in ')[1] if i.find(' in ')!=-1 else '-' for i in dets] rating = driver.find_elements_by_xpath("//span[contains (@class,'ratingNumber mr-xsm')]") rating = [i.text for i in rating] emp = driver.find_elements_by_xpath("//span[contains (@class,'pt-xsm pt-md-0 css-1qxtz39 eg4psks0')]") emp = [i.text for i in emp] pros = driver.find_elements_by_xpath("//span[contains (@data-test,'pros')]") pros = [i.text for i in pros] cons = driver.find_elements_by_xpath("//span[contains (@data-test,'cons')]") cons = [i.text for i in cons] df_temp = pd.DataFrame( { 'Date': pd.Series(dates), 'Role': pd.Series(role), 'Tenure': pd.Series(emp), 'Location': pd.Series(loc), 'Rating': pd.Series(rating), 'Pros': pd.Series(pros), 'Cons': pd.Series(cons) } ) df = df.append(df_temp) try: driver.find_element_by_xpath("//button[contains (@class,'nextButton css-1hq9k8 e13qs2071')]").click() except: print('No more reviews') df['Date'] = pd.to_datetime(df['Date'])
df = df.reset_index()
del df['index']
df = df.sort_values('Date', ascending=False)
df

Aşağıdaki gibi bir çıktı alıyoruz.

Metin Özetleme

Ayıklanan incelemelerden özetler oluşturmak için NLTK kütüphane ve çeşitli teknikler uygulamak için metin işleme ve analiz. Kod snippet'i, etik standartlara uyumu sağlayan ve yapay zeka metin algılama platformlarıyla ilgili olası sorunlardan kaçınan süreci gösterir.

Kütüphaneleri İçe Aktarma

Collections modülünden pandas, string, nltk ve Counter dahil olmak üzere temel kitaplıkları içe aktarıyoruz. Bu kitaplıklar, kapsamlı bir metin özetleme iş akışı sağlayan güçlü veri işleme, dize işleme ve metin analizi işlevleri sunar.

import string
import nltk
from nltk.corpus import stopwords
from collections import Counter
nltk.download('stopwords')
stop_words = set(stopwords.words('english'))

Veri Hazırlama

Elde edilen incelemeleri istenen role göre filtreliyoruz (Bizim senaryomuzda Yazılım Mühendisi), uygunluk ve bağlama özgü analizin sağlanması. Boş değerler kaldırılır ve doğru işlemeyi kolaylaştırmak için veriler temizlenir.

role = input('Input Role') df = df.dropna()
df = df[df['Role'].str.contains(role)]

Metin Ön İşleme

Her incelemenin artıları ve eksileri ayrı ayrı işlenir. translate() işlevini kullanarak küçük harf tutarlılığını sağlar ve noktalama işaretlerini ortadan kaldırırız. Metin daha sonra sözcüklere bölünür, gizli sözcükler ve bağlamla ilgili belirli sözcükler kaldırılır. Ortaya çıkan kelime listeleri, pro_words ve con_words, daha fazla analiz için ilgili bilgileri yakalar.

pros = [i for i in df['Pros']]
cons = [i for i in df['Cons']] # Split pro into a list of words
all_words = []
pro_words = ' '.join(pros)
pro_words = pro_words.translate(str.maketrans
('', '', string.punctuation))
pro_words = pro_words.split()
specific_words = ['great','work','get','good','company', 'lot','it’s','much','really','NAME','dont','every', 'high','big','many','like']
pro_words = [word for word in pro_words if word.lower() not in stop_words and word.lower() not in specific_words]
all_words += pro_words con_words = ' '.join(cons)
con_words = con_words.translate(str.maketrans
('', '', string.punctuation))
con_words = con_words.split()
con_words = [word for word in con_words if word.lower() not in stop_words and word.lower() not in specific_words]
all_words += con_words

Kelime Frekans Analizi

Collections modülünden Counter sınıfını kullanarak, hem artı hem de eksiler için kelime sıklık sayıları elde ederiz. Bu analiz, incelemelerde en sık geçen kelimeleri belirlememize olanak tanıyarak daha sonra anahtar kelime çıkarımını kolaylaştırır.

# Count the frequency of each word
pro_word_counts = Counter(pro_words)
con_word_counts = Counter(con_words)

Ana temaları ve duyguları belirlemek için en yaygın 10 kelimeyi artıları ve eksilerinden ayrı olarak most_common() yöntemini kullanarak ayıklıyoruz. Ayrıca, özetleme için kapsamlı ve tarafsız bir yaklaşım sağlayarak, iki küme arasındaki ortak anahtar kelimelerin varlığını da ele alıyoruz.

# Get the 10 most common words from the pros and cons
keyword_count = 10
top_pro_keywords = pro_word_counts.most_common(keyword_count)
top_con_keywords = con_word_counts.most_common(keyword_count) # Check if there are any common keywords between the pros and cons
common_keywords = list(set([keyword for keyword, frequency in top_pro_keywords]).intersection([keyword for keyword, frequency in top_con_keywords])) # Handle the common keywords according to your desired behavior
for common_keyword in common_keywords: pro_frequency = pro_word_counts[common_keyword] con_frequency = con_word_counts[common_keyword] if pro_frequency > con_frequency: top_con_keywords = [(keyword, frequency) for keyword, frequency in top_con_keywords if keyword != common_keyword] top_con_keywords = top_con_keywords[0:6] else: top_pro_keywords = [(keyword, frequency) for keyword, frequency in top_pro_keywords if keyword != common_keyword] top_pro_keywords = top_pro_keywords[0:6] top_pro_keywords = top_pro_keywords[0:5]

Duygu Analizi

Yapıyoruz duyguları analiz olumlu ve olumsuz kelimelerin listelerini tanımlayarak artıları ve eksileri üzerinde. Kelime sayılarını yineleyerek, genel duyarlılık puanını hesaplayarak incelemelerde ifade edilen genel duyguya ilişkin içgörüler sağlarız.

Duyarlılık Puanı Hesaplama

Duyarlılık puanını ölçmek için, genel duyarlılık puanını incelemelerdeki toplam kelime sayısına böleriz. Bunun 100 ile çarpılması, duyarlılık puanı yüzdesini verir ve veriler içindeki duyarlılık dağılımının bütünsel bir görünümünü sunar.

# Calculate the overall sentiment score by summing the frequencies of positive and negative words positive_words = ["amazing","excellent", "great", "good", "positive", "pleasant", "satisfied", "happy", "pleased", "content", "content", "delighted", "pleased", "gratified", "joyful", "lucky", "fortunate", "glad", "thrilled", "overjoyed", "ecstatic", "pleased", "relieved", "glad", "impressed", "pleased", "happy", "admirable","valuing", "encouraging"]
negative_words = ["poor","slow","terrible", "horrible", "bad", "awful", "unpleasant", "dissatisfied", "unhappy", "displeased", "miserable", "disappointed", "frustrated", "angry", "upset", "offended", "disgusted", "repulsed", "horrified", "afraid", "terrified", "petrified", "panicked", "alarmed", "shocked", "stunned", "dumbfounded", "baffled", "perplexed", "puzzled"] positive_score = 0
negative_score = 0
for word, frequency in pro_word_counts.items(): if word in positive_words: positive_score += frequency
for word, frequency in con_word_counts.items(): if word in negative_words: negative_score += frequency overall_sentiment_score = positive_score - negative_score # calculate the sentiment score in %
total_words = sum(pro_word_counts.values()) + sum(con_word_counts.values())
sentiment_score_percent = (overall_sentiment_score / total_words) * 100

Sonuçları Yazdır

Artıları ve eksileri için en iyi 5 anahtar kelimeyi, genel duyarlılık puanını, duyarlılık puanı yüzdesini ve incelemelerdeki ortalama puanı sunuyoruz. Bu ölçümler, kuruluşla ilgili hakim duygular ve kullanıcı deneyimleri hakkında değerli bilgiler sunar.

# Print the results
print("Top 5 keywords for pros:", top_pro_keywords)
print("Top 5 keywords for cons:", top_con_keywords)
print("Overall sentiment score:", overall_sentiment_score)
print("Sentiment score percentage:", sentiment_score_percent)
print('Avg rating given',df['Rating'].mean())

Cümle Puanlama

En alakalı bilgileri yakalamak için cümlelerin artılarını ve eksilerini temel alan bir kelime çantası modeli oluşturuyoruz. Etkili bir özet çıkarma süreci sağlamak için belirli kelimelerin veya kelime kombinasyonlarının oluşumuna göre her cümleye puanlar atayan bir puanlama işlevi uyguluyoruz.

# Join the pros and cons into a single list of sentences
sentences = pros + cons # Create a bag-of-words model for the sentences
bow = {}
for sentence in sentences: words = ' '.join(sentences) words = words.translate(str.maketrans ('', '', string.punctuation)) words = words.split() for word in words: if word not in bow: bow[word] = 0 bow[word] += 1 # Define a heuristic scoring function that assigns # a score to each sentence based on the presence of # certain words or word combinations
def score(sentence): words = sentence.split() score = 0 for word in words: if word in ["good", "great", "excellent"]: score += 2 elif word in ["poor", "bad", "terrible"]: score -= 2 elif word in ["culture", "benefits", "opportunities"]: score += 1 elif word in ["balance", "progression", "territory"]: score -= 1 return score # Score the sentences and sort them by score
scored_sentences = [(score(sentence), sentence) for sentence in sentences]
scored_sentences.sort(reverse=True)

En çok puan alan 10 cümleyi ayıklıyoruz ve onları join() işlevini kullanarak uyumlu bir özette topluyoruz. Bu özet, incelemelerde ifade edilen en belirgin noktaları ve duyguları özetlemekte ve karar verme amaçları için özlü bir genel bakış sunmaktadır.

# Extract the top 10 scored sentences
top_sentences = [sentence for score, sentence in scored_sentences[:10]] # Join the top scored sentences into a single summary
summary = " ".join(top_sentences)

Özeti Yazdır

Son olarak, kuruluşun kültürü ve çalışma ortamı hakkında içgörü arayan kişiler için değerli bir kaynak olan oluşturulan özeti yazdırıyoruz.

# Print the summary
print("Summary:")
print(summary)

• İyi insanlar, iyi kültür, iyi faydalar, iyi kültür, akıl sağlığına odaklanma, aşağı yukarı tamamen uzak.
• Büyük WLB ve etik, çalışanları önemser.
• Meslektaşlar gerçekten harika Toksik değil ve harika bir kültür
• İyi WLB, iyi tazminat, iyi kültür
• 1. İyi maaş 2. İlginç bir iş 3. iyi bir iş-yaşam dengesi 4. Büyük ikramiyeler – acil olan her şey karşılanır
• Harika iş yaşam dengesi, iyi maaş, harika kültür, harika iş arkadaşları, harika maaş
• Çok iyi bir çalışma kültürü ve faydaları
• Harika iş hayatı dengesi, büyük faydalar, Aile değerlerini destekler, harika kariyer fırsatları.
• İşbirlikçi, destekleyici, güçlü kültür (ohana), büyüme fırsatları, zaman uyumsuzluğa doğru ilerleme, teknik olarak sağlam, harika akıl hocaları ve takım arkadaşları

Yukarıda gördüğümüz gibi, şirket kültürü, avantajları ve Yazılım Mühendisliği rolüne özgü avantajlar hakkında net bir özet ve iyi bir anlayış elde ediyoruz. NLTK'nın yeteneklerinden yararlanarak
ve güçlü metin işleme teknikleri kullanan bu yaklaşım, çıkarılan Glassdoor incelemelerinden anahtar kelimelerin etkili bir şekilde çıkarılmasını, duyarlılık analizini ve bilgilendirici özetlerin oluşturulmasını sağlar.

Kullanım ÇÖZÜMLER

Geliştirilmekte olan metin özetleme sistemi, çeşitli pratik senaryolarda büyük potansiyele sahiptir. Çok yönlü uygulamaları, iş arayanlar, insan kaynakları uzmanları ve işe alım uzmanları dahil olmak üzere paydaşlara fayda sağlayabilir. İşte bazı dikkate değer kullanım durumları:

1. İş arayanlar: İş arayanlar, bir kuruluşun kültürü ve çalışma ortamı hakkında özlü ve bilgilendirici bir genel bakış sağlayan metin özetleme sisteminden önemli ölçüde yararlanabilir. İş arayanlar, Glassdoor incelemelerini özetleyerek, genel duyguyu hızla ölçebilir, yinelenen temaları belirleyebilir ve bir kuruluşun kariyer özlemleri ve değerleri ile uyumlu olup olmadığı konusunda bilinçli kararlar verebilir.
2. İnsan Kaynakları Profesyonelleri: İnsan kaynakları profesyoneller, önemli miktarda Glassdoor incelemesini verimli bir şekilde analiz etmek için metin özetleme sisteminden yararlanabilir. İncelemeleri özetleyerek, farklı kuruluşların güçlü ve zayıf yönleri hakkında değerli bilgiler edinebilirler. Bu bilgi, işveren markası stratejilerini bilgilendirebilir, iyileştirme alanlarının belirlenmesine yardımcı olabilir ve kıyaslama girişimlerini destekleyebilir.
3. İşverenler: İşverenler, bir kuruluşun itibarını ve çalışma kültürünü değerlendirmek için metin özetleme sistemini kullanarak zamanlarını ve çabalarını optimize edebilirler. Özetlenmiş Glassdoor incelemeleri, işe alım görevlilerinin adaylarla iletişim kurmak için temel duyguları ve önemli yönleri hızlı bir şekilde belirlemesine olanak tanır. Bu, daha hedefli ve etkili bir işe alım sürecini kolaylaştırır, aday katılımını ve seçim sonuçlarını geliştirir.
4. Yönetim ve Karar Vericiler: Metin özetleme sistemi, kurumsal yönetim ve karar vericiler için değerli bilgiler sunar. Dahili Glassdoor incelemelerini özetleyerek, çalışan algılarını, memnuniyet düzeylerini ve olası ilgi alanlarını daha iyi anlayabilirler. Bu bilgi, stratejik karar verme sürecine rehberlik edebilir, çalışan bağlılığı girişimlerini bilgilendirebilir ve olumlu bir çalışma ortamına katkıda bulunabilir.

Sınırlamalar

Glassdoor incelemelerini özetleme yaklaşımımız, göz önünde bulundurulması gereken çeşitli sınırlamalar ve olası zorluklar içermektedir. Bunlar şunları içerir:

1. Veri kalitesi: Oluşturulan özetlerin doğruluğu ve güvenilirliği büyük ölçüde girdi verilerinin kalitesine bağlıdır. Özetleme için kullanılan Glassdoor incelemelerinin gerçekliğini ve güvenilirliğini sağlamak çok önemlidir. Veri doğrulama teknikleri ve sahte veya taraflı incelemelere karşı önlemler, bu sınırlamayı hafifletmek için gereklidir.
2. Öznellik ve Önyargı: Glassdoor incelemeleri doğası gereği öznel görüşleri ve deneyimleri yansıtır. Özetleme süreci, belirli duyguları istemeden güçlendirebilir veya azaltabilir, bu da önyargılı özetlere yol açar. Adil ve doğru temsillerin sağlanması için potansiyel yanlılıkları göz önünde bulundurmak ve tarafsız özetleme teknikleri geliştirmek çok önemlidir.
3. Bağlamsal Anlama: İncelemelerin bağlamını ve nüanslarını anlamak zor olabilir. Özetleme algoritması, belirli cümleleri veya ifadelerin tam anlamını ve sonuçlarını kavramak için mücadele edebilir ve potansiyel olarak önemli bilgileri kaybeder. Duyarlılık analizi ve bağlama duyarlı modeller gibi gelişmiş bağlamsal anlama tekniklerinin dahil edilmesi bu sınırlamanın giderilmesine yardımcı olabilir.
4. genelleme: Oluşturulan özetlerin, her gözden geçirmenin kapsamlı bir analizinden ziyade genel bir genel bakış sağladığını kabul etmek önemlidir. Sistem, incelemelerde belirtilen her ayrıntıyı veya benzersiz deneyimi yakalayamayabilir, bu da kullanıcıların bir sonuca varmadan veya yargıda bulunmadan önce daha geniş bir bilgi yelpazesini değerlendirmesini gerektirebilir.
5. Zamanında: Glassdoor incelemeleri dinamiktir ve zaman içinde değişebilir. Özetleme sistemi gerçek zamanlı güncellemeler sağlamayabilir ve oluşturulan özetlerin süresi dolabilir. Periyodik olarak yeniden özetlemeye yönelik mekanizmaların uygulanması veya gerçek zamanlı gözden geçirme izlemenin entegre edilmesi, bu sınırlamanın ele alınmasına ve özetlerin uygunluğunun sağlanmasına yardımcı olabilir.

Bu sınırlamaları kabul etmek ve aktif olarak ele almak, sistemin bütünlüğünü ve yararlılığını sağlamak için çok önemlidir. Özetleme sistemini geliştirmek ve olası önyargıları veya zorlukları azaltmak için düzenli değerlendirme, kullanıcı geri bildirimlerinin dahil edilmesi ve sürekli iyileştirme esastır.

Sonuç

Projenin amacı, çok sayıda Glassdoor incelemesi aracılığıyla bir şirketin kültürü ve çalışma ortamının anlaşılmasını basitleştirmekti. Veri toplama, hazırlama ve metin özetlemeyi içeren sistematik bir yöntem uygulayarak başarılı bir şekilde verimli bir metin özetleme sistemi oluşturduk. Proje, aşağıdakiler gibi değerli içgörüler ve temel öğrenmeler sağlamıştır:

1. Metin özetleme sistemi, iş arayanlara, İK uzmanlarına, işe alım görevlilerine ve karar vericilere bir şirket hakkında temel içgörüler sağlar. Çok sayıda incelemeyi ayrıştırmak, bir şirketin kültürünü, çalışma ortamını ve çalışan duygularını kapsamlı bir şekilde anlayarak daha etkili karar vermeyi kolaylaştırır.
2. Proje, web kazıma için Selenium ve metin özetleme için NLTK kullanarak Glassdoor incelemelerini toplama ve analiz etmede otomatik yöntemlerin etkinliğini göstermiştir. Otomasyon zamandan ve çabadan tasarruf sağlar ve ölçeklenebilir ve sistematik inceleme analizi sağlar.
3. Proje, incelemeleri doğru bir şekilde özetlerken bağlamı anlamanın öneminin altını çizmiştir. Veri kalitesi, öznel önyargılar ve bağlamsal nüanslar gibi faktörler, veri ön işleme, duyarlılık analizi ve anahtar kelime çıkarma teknikleriyle ele alındı.
4. Bu projede oluşturulan metin özetleme sistemi, iş arayanlar, İK uzmanları, işe alım görevlileri ve yönetim ekipleri için gerçek dünya uygulamalarına sahiptir. Bilgiye dayalı karar vermeyi kolaylaştırır, kıyaslama ve işveren markası çabalarını destekler, şirketlerin etkin bir şekilde değerlendirilmesini sağlar ve organizasyonel gelişim için değerli içgörüler sağlar.

Projeden çıkarılan dersler arasında veri kalitesinin önemi, sübjektif incelemelerin zorlukları, özetlemede bağlamın önemi ve sistem iyileştirmenin döngüsel doğası yer alıyor. Makine öğrenimi algoritmalarını ve doğal dil işleme tekniklerini kullanan metin özetleme sistemimiz, Glassdoor incelemelerinden fikir edinmek için etkili ve kapsamlı bir yol sağlar.

Sık Sorulan Sorular

Bu makalede gösterilen medya Analytics Vidhya'ya ait değildir ve Yazarın takdirine bağlı olarak kullanılır.

İlgili bağlantılar

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• EVM Finans. Merkezi Olmayan Finans için Birleşik Arayüz. Buradan Erişin.
• Kuantum Medya Grubu. IR/PR Güçlendirilmiş. Buradan Erişin.
• PlatoAiStream. Web3 Veri Zekası. Bilgi Genişletildi. Buradan Erişin.
• Kaynak: https://www.analyticsvidhya.com/blog/2023/06/decoding-glassdoor-nlp-driven-insights-for-informed-decisions/