L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris

et le Laboratoire de recherche SAMOVAR – Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux

présentent

l’AVIS DE SOUTENANCE de Monsieur Eric BEHAR

Autorisé à présenter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, préparé à Télécom SudParis en :

Informatique

« Systèmes de Recommandation Basés sur des Graphes Temporels pour le Recrutement »

le VENDREDI 12 DéCEMBRE 2025 à 14h00

à

Amphithéâtre 6
Télécom SudParis, 19 place Marguerite Perey, 91120 Palaiseau

Membres du jury :

Mme Francesca   BUGIOTTI, Maîtresse de conférences, CentraleSupélec, FRANCE – Rapporteur

M. Zoltan  MIKLOS, Professeur, Université de Rennes, FRANCE – Rapporteur

Mme Sylvie   CALABRETTO, Professeure, INSA Lyon, FRANCE – Examinateur

M. Raphael   TRONCY, Maître de conférences, Eurecom, FRANCE – Examinateur
M. Julien ROMERO, Maître de conférences, Télécom SudParis, FRANCE – Co-encadrant de these

Mme Amel BOUZEGHOUB, Professeure, Télécom SudParis, FRANCE – Directeur de these

« Systèmes de Recommandation Basés sur des Graphes Temporels pour le Recrutement »

présenté par Monsieur Eric BEHAR

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.

Abstract :

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