Yann Duperis, « Recommandation de candidats par apprentissage profond basée sur des similarités sémantiques entre phrases-clés ». Thèse soutenue le vendredi 23 février 2024 à Marseille.
Résumé:
La recherche automatisée d’un candidat idéal lors d’un recrutement se heurte à la difficulté à modéliser correctement les besoins exprimés en langage naturel dans une offre d’emploi et les capacités d’un individu déclarées dans un CV, notamment pour le recrutement d’experts qui nécessite une connaissance précise du secteur d’activité concerné. Historiquement, les méthodes de recommandation de candidats ou de poste ont utilisé des approches classiques de Recherche d’Information basées sur les termes utilisés dans les CV et les offres d’emploi. Des méthodes basées sur une modélisation symbolique explicite des connaissances liées aux domaines d’activités couverts par des activités de recrutement ont aussi été proposées. Plus récemment, l’arrivée de l’apprentissage profond et de l’apprentissage par transfert pour le traitement automatisé du langage naturel a offert de nouvelles possibilités.
Dans cette thèse, nous présentons des travaux de recherche visant à développer une méthode de recommandation de candidats explicable, basée sur le contenu et pertinente pour le recrutement de profils experts. Notre première contribution est une méthode de prédiction de compétences à partir des termes d’un profil. La méthode proposée utilise l’apprentissage profond et offre des performances élevées pour certaines compétences rares et spécialisées. Notre seconde contribution est une méthode de recommandation de candidats reposant sur l’exploitation de noms de métiers et de compétences mentionnés à la fois dans une offre d’emploi et dans un profil, les phrases-clés. Cette méthode de recommandation de candidats surpasse une méthode de référence et a été validée par des recruteurs professionnels au travers de l’usage d’un système de recommandation implémentant cette méthode.
Mots clés : Système de recommandation de candidats, Adéquation candidat-poste, Apprentissage profond, Apprentissage par transfert, Phrases-clés.
Abstract:
The automated research of an ideal candidate for a position is hindered by the difficulty to adequately model the need for competency expressed in natural language in a job offer and the abilities of an individual declared in a resume, especially for the recruitment of experts which requires accurate knowledge about the considered activity sector.
Historically, candidate or job recommendation methods have used classical approaches of Information Retrieval based on common terms in both resumes and job offers. Recommendation methods based on explicit symbolic modelling of the knowledge related to the activity sector in which the recruitment is taking place have also been proposed. Recently, the advent of both deep learning and transfer learning for natural language processing offered new possibilities.
In this thesis, we present the research work undertaken to develop a candidate recommendation method which is explainable, content-based, and relevant for the recruitment of expert professionals.
Our first contribution is a method to predict an individual’s skills based on the terms used in their resume. The proposed method uses deep learning and delivers high performance for some rare and specialised skills.
Our second contribution is a candidate recommendation method which evaluates the adequacy of a candidate for a job based on job titles and skills mentioned in both a resume and a job offer, the keyphrases. The proposed method uses deep learning techniques to match semantically similar keyphrases. This recommendation method outperforms a reference method and has been validated by professional recruiters using a recommendation system implementing this method.
Keywords : Candidate recommender system, Person-job fit, Deep Learning, Transfer Learning, Keyphrases.
