Este artículo estudia la relevancia semántica textual (STR) para la correspondencia de puestos de trabajo, una tarea crucial en los sistemas de recomendación de currículums. Para mejorar la STR más allá de la simple similitud léxica y capturar relaciones matizadas, proponemos una arquitectura híbrida autosupervisada que combina incrustaciones de oraciones densas y grafos de conocimiento (KG) específicos del dominio. A diferencia de estudios previos, realizamos una evaluación jerárquica segmentando el continuo de puntuaciones de STR en regiones de relevancia semántica baja, media y alta, lo que permite un análisis detallado del rendimiento del modelo. Al evaluar varios modelos de incrustación con y sin KG, demostramos que un modelo SBERT optimizado con KG mejora significativamente el rendimiento, reduciendo el error cuadrático medio (RMSE) hasta en un 25 % en regiones de alta STR. Esto destaca la eficacia de combinar KG con incrustaciones de texto y la importancia de analizar el rendimiento específico de cada región.
