Concevoir et évaluer les algorithmes de recommandation pour le marché du travail

Designing Recommender Systems for the Labor Market

• Auteur / Autrice : Guillaume Bied
• Direction : Bruno Crépon, Philippe Caillou
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 10/07/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire interdisciplinaire des sciences du numérique (Orsay, Essonne ; 2021-....) - Centre de Recherche en Economie et Statistique (Palaiseau ; 1993-....)
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-....)
• Jury : Président / Présidente : Jamal Atif
• Jury : Examinateurs / Examinatrices : Tijl De Bie, Christine Largeron, Charlotte Laclau, Thomas Le Barbanchon
• Jury : Rapporteur / Rapporteuse : Tijl De Bie, Christine Largeron

Mots clés

Mots clés contrôlés

Équité

Chômage

Marché du travail

Systèmes de recommandation (informatique)

Mots clés libres

Systèmes de recommandation

Marché du travail

Équité

Congestion

Recommender systems

Labor market

Fairness

Congestion

Résumé

En apprenant des appariements passés, les systèmes de recommandation ont le potentiel de réduire les frictions informationnelles sur le marché du travail. Cette thèse pose la question de la conception et de l'évaluation d'algorithmes de recommandation d'offres d'emploi, en s'appuyant sur des données détaillées fournies par le service public de l'emploi français. Premièrement, nous proposons une nouvelle architecture neuronale pour la recommandation d'offres d'emploi. Cette architecture présente l'avantage de répondre au problème du démarrage à froid tout en passant à l'échelle. L'approche proposée est comparée à l'état de l'art en termes de performance hors-ligne. Elle est également évaluée sur le terrain en termes de satisfaction des utilisateurs au moyen d'expériences randomisées à grande échelle. Deuxièmement, nous examinons les objectifs possibles qu'un concepteur pourrait assigner à un algorithme de recommandation d'offres d'emploi. Cette analyse est réalisée dans le cadre d'un modèle économique, qui nous permet de discuter les mérites et limites de différentes approches plausibles (satisfaire les critères de recherche exacts des demandeurs, apprendre des candidatures ou des embauches), et de les confronter aux besoins des demandeurs d'emploi. Troisièmement, nous étudions le problème de la congestion qui peut survenir si les recommandations se concentrent sur un ensemble excessivement restreint d'offres, créant des conséquences nuisibles au niveau agrégé. Nous proposons une approche algorithmique utilisant des outils du transport optimal computationnel pour limiter ce phénomène, et étudions ses performances sur des données publiques et propriétaires. Enfin, comme les algorithmes de recommandations sont entraînés sur des données issues du monde réel, ils peuvent reproduire ou aggraver certains comportements indésirables (discriminations, anticipations erronées) existants sur le marché du travail.Afin de répondre à ces inquiétudes, nous réalisons un audit fin de l'algorithme de recommandation (entraîné à partir des embauches) en se focalisant sur les inégalités de genre. En s'inspirant de la littérature en économie du travail, nous proposons des mesures des écarts genrés en termes de caractéristiques des recommandations (salaire, type de contrat...), en moyenne ou conditionnellement aux qualifications et préférences des demandeurs d'emploi. Selon nos résultats, l'algorithme reproduit, sans aggraver,les biais de genre présents dans les données d'entraînement. Nous proposons également une approche dite de ``post-traitement'' dont l'objectif est de réduire les écarts femmes-hommes en termes de caractéristiques des offres recommandées. Nous décrivons les arbitrages entre performance et équité que cette intervention implique.

Recommender systems have the potential to reduce information frictions on the labor market by leveraging past interactions between job seekers and recruiters. This thesis presents several contributions to the design and evaluation of job recommender systems, leveraging detailed real-world data provided by the French Public Employment Service. First, we propose a novel neural architecture for job recommendation, aimed at providing relevant recommendations in the cold-start setting while maintaining scalability. The proposed approach is compared to the state of the art in terms of off-line performance. It is also evaluated in the field in terms of user satisfaction, measured in the context of large-scale randomized experiments. Second, we discuss the possible objectives that a designer could assign to a job recommender system. Based on a formal economic model, we discuss the merits and limits of different plausible approaches (satisfying job seekers' exact search parameters, optimizing for application or hiring probability), and confront them to job seekers' needs. Third, we study the issue of the congestion that may arise if recommendations focus on an excessively small set of job ads, creating negative aggregate consequences. Leveraging tools from the computational transport literature, we propose a post-processing approach to congestion-avoiding recommendation, and assess its performance on proprietary and public datasets. Finally, as recommender systems are trained on real-world data, they may replicate or worsen undesirable behaviors (discrimination, inaccurate beliefs) that may exist on the labor market. We provide a detailed audit of the proposed recommender system (trained on hiring data) in terms of gender inequalities. Drawing inspiration from the labor economics literature on the gender wage gap, we propose measures for gender gaps in recommendation characteristics, on average or conditionally on job seekers' qualifications and preferences. We find that the algorithm reproduces, but does not increase, gender gaps that exist in its training data. We propose a post-processing approach to reduce unconditional or conditional gender gaps, and describe the trade-offs it entails.