Systèmes de recommandation basés sur des graphes temporels pour le recrutement

Dans cette thèse, nous proposons de nouvelles méthodes de recommandation de candidats à l'embauche, exploitant les capacités sémantiques des graphes hétérogènes. Tout d'abord, nous construisons un graphe hétérogène à partir de données issues d'un système de suivi des candidats (Applicant Tracking System, ATS), devenu la norme industrielle pour gérer les processus de recrutement. Nous enrichissons ensuite la sémantique de ce graphe à l'aide de deux bases de connaissances externes : ESCO (la classification européenne des compétences, des connaissances et des professions) et Wikidata. Nous nommons le graphe résultant Job Tracking History (JTH).Ensuite, nous développons un premier système de recommandation basé sur les graphes pour répondre au problème du démarrage à froid dans les recommandations candidat-postes. Les interactions utilisateur-objet dans les données de recrutement sont par nature éparses, car les individus ne changent pas fréquemment d'emploi. Pour surmonter cette difficulté, nous concevons une méthode de réseau de neurones graphiques qui infère des recommandations à partir du JTH, compensant le manque d'interactions candidats-postes par des relations sémantiques. Nous appelons cette première méthode RecruiterGCN. Enfin, sur la base de nos premiers résultats, nous constatons que l'intégration de la temporalité est essentielle à notre approche, les candidatures et les offres d'emploi ayant une disponibilité limitée dans le temps. Pour relever ce défi, nous proposons TIMBRE (Temporal Integrated Model for Better REcommendations), une approche introduisant une nouvelle représentation du temps dans un graphe hétérogène, grâce à l'ajout de nouveaux types de nœuds et à une nouvelle méthode d'échantillonnage de graphes. Nous démontrons que les métriques traditionnelles utilisées dans les systèmes de recommandation temporels basés sur les graphes ne sont pas corrélées avec celles évaluant les capacités de classement. Sur ces dernières, TIMBRE surpasse largement les grands modèles de langage dans la recommandation candidat-postes.