Thèse Apprentissage Temporel et Multi-Étapes des Graphes pour des Recommandations d'Emploi Équitables et Explicables H/F - 75

Établissement : Institut Polytechnique de Paris Télécom SudParis
École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris
Laboratoire de recherche : SAMOVAR - Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux
Direction de la thèse : Amel BOUZEGHOUB
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-03-31T23:59:59

Cette thèse vise à développer une nouvelle génération de systèmes de recommandation d'emplois fondés sur l'apprentissage par graphes. Contrairement aux recommandations classiques, le recrutement suit un processus multi-étapes (shortlist, entretien, offre, embauche) avec de fortes dépendances entre étapes, un retour d'information tardif, et une dynamique temporelle complexe. Ce domaine implique également des enjeux majeurs de justice, d'équité, et d'explicabilité, car les recommandations influencent directement l'accès à l'emploi.

Le projet propose de concevoir des graphes hétérogènes temporels, capables de modéliser les transitions entre étapes tout en respectant des contraintes monotones (ex. la probabilité d'embauche ne peut dépasser celle d'entretien). Il s'appuie sur des modèles tels que TGAT/TGN pour capturer les événements à différentes échelles temporelles et intégrer le feedback différé via des approches inspirées de l'analyse de survie.

La thèse développera également des mécanismes de fairness, incluant l'audit de biais, la régularisation adversariale ou la suppression de proxys, afin de garantir des recommandations non discriminatoires. Enfin, elle proposera des méthodes d'explicabilité pour GNN, adaptées aux besoins des recruteurs (ex. explication par étape, sous-graphes influents) et évaluées avec des experts RH.

Les contributions attendues incluent : un cadre unifié de graph learning multi-étapes et temporel pour le recrutement, de nouvelles approches pour gérer le feedback tardif, des méthodes de fairness spécifiques au processus d'embauche, et une boîte à outils d'explications adaptées au domaine.

Les systèmes de recommandation ont largement bénéficié des récents progrès en apprentissage par graphes et en modélisation temporelle, permettant de capturer des interactions complexes et évolutives entre utilisateurs et items. Toutefois, ces avancées restent peu exploitées dans le domaine du recrutement, où les interactions suivent un processus multi-étapes aux dépendances fortes (shortlist, entretien, offre, embauche) et où les retours peuvent apparaître avec un retard important. Par ailleurs, les enjeux de fairness et d'explicabilité, déjà centraux dans l'IA, deviennent critiques dans un contexte où les décisions influencent directement l'accès à l'emploi. Le sujet s'inscrit ainsi au croisement de plusieurs tendances scientifiques majeures : les graph neural networks, les modèles temporels continus, l'équité algorithmique et l'IA explicable, avec l'objectif d'apporter des contributions méthodologiques inédites pour des systèmes de recommandation à fort impact sociétal.