Temporal graph-based recommender systems for recruitment

Systèmes de recommandation basés sur des graphes temporels pour le recrutement

• Auteur / Autrice : Eric Behar
• Direction : Amel Bouzeghoub, Katarzyna M. Węgrzyn-Wolska
• Type : Thèse de doctorat
• Discipline(s) : Informatique, données, IA
• Date : Soutenance le 12/12/2025
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Services répartis, Architectures, MOdélisation, Validation, Administration des Réseaux (2001-....) - Institut Polytechnique de Paris / IP Paris - Architecture, Cloud continuum, formal Models, artificial intElligence and Services in distributed computing / ACMES
• Partenaire(s) de recherche : Etablissement opérateur d'inscription : Télécom SudParis (Evry ; 2012-....)
• Jury : Président / Présidente : Zoltán Miklós
• Jury : Examinateurs / Examinatrices : Francesca Bugiotti, Raphaël Troncy, Julien Romero, Sylvie Calabretto
• Jury : Rapporteurs / Rapporteuses : Zoltán Miklós, Francesca Bugiotti
• DOI : 10.70675/6eb088f3z1c93z42f7z98f1z4b754057605c

Mots clés

Mots clés contrôlés

Réseaux neuronaux graphiques

Recrutement

Mots clés libres

Recrutement

Données

Intelligence artificielle

Analyse

Aide à la décision

Recruitment

Data

Artificial intelligence

Analysis

Résumé

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.

In this thesis, we provide new methods for job candidate recommendation,harnessing the semantic capabilities of heterogeneous graphs. First, we build aheterogeneous graph from data extracted from an Applicant Tracking System(ATS), which has become the industry standard for handling the recruitmentprocess. We then enrich the graph semantics with two external knowledge bases:ESCO, the European Classification for Skills and Knowledge, and Wikidata. Wenamed the resulting graph Job Tracking History (JTH).Secondly, we built a first graph-based recommender system to address thecold start problem in job-candidate recommendations. User-item interaction inrecruitment data is sparse in nature, as people do not frequently change jobs. Totackle this problem, we built a graph neural network methods that infer recom-mendations from JTH, compensating for the lack of job-candidates interactionwith semantic relationships. We named this first method RecruiterGCN.Lastly, based on our first result, we found that including temporality is crucialto our approach, as candidate applications and job positions have limited avail-ability. To overcome this challenge, we propose TIMBRE (Temporal IntegratedModel for Better REcommendations). This approach introduces a new representa-tion of time in a heterogeneous graph through the addition of new node types and anovel graph sampling method. We demonstrate that traditional metrics employedin state-of-the-art graph-based temporal recommender systems are uncorrelatedwith metrics that assess ranking capabilities. On these metrics, TIMBRE vastlyoutperforms even large language models at job-candidate recommendation.