Recommandation d'offres d'emploi dans des marchés congestionnés

Recommending Jobs in Congested Markets

• Auteur / Autrice : Solal Nathan
• Direction : Michèle Sebag
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/01/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Laboratoire Interdisciplinaire des Sciences du Numérique
• Partenaire(s) de recherche : Equipe de recherche : A&O - Apprentissage et Optimisation
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Système de recommandation

Recommandation d'emploi

Équité algorithmique

Congestion

Bias de popularité

Recommender systems

Job recommendation

Algorithmic fairness

Congestion

Popularity bias

Résumé

Les systèmes de recommandation sur les marchés du travail publics allouent des biens rivaux : lorsque les recommandations se concentrent sur quelques postes attractifs, le marché se congestionne et d'autres offres restent non pourvues. Servir ces marchés exige des objectifs allant au-delà de la pertinence individuelle. Cette thèse suit la recommandation d'emploi depuis la conception d'un système déployé jusqu'à ses effets à l'échelle du marché, en examinant trois limitations de la recommandation centrée sur la pertinence : vulnérabilité aux dérives de distribution, angles morts en matière d'équité de genre, et négligence de la congestion du marché. Nous contribuons une métrique de rappel normalisé robuste aux contractions de l'offre, ainsi qu'une analyse discriminante des marchés bilatéraux révélant des dynamiques de dérive asymétriques. Nous développons un cadre d'audit qui estime les écarts de genre conditionnels — un analogue non paramétrique de la décomposition de Kitagawa-Oaxaca-Blinder — à l'aide du Double Machine Learning, constatant que le système propage mais n'amplifie pas les inégalités préexistantes du marché du travail, et que les écarts conditionnels résiduels peuvent être neutralisés à un coût quasi nul en rappel par un post-traitement sous contraintes. Nous formalisons le problème des offres orphelines — des postes recevant une visibilité insuffisante pour attirer des candidats adaptés — et développons JoLA, une approche en cours d'entraînement qui intègre une approximation différentiable de la part de marché dans la fonction de perte. Elle permet un contrôle fin du compromis précision-congestion, et nous la comparons à une méthode de référence par transport optimal de l'état de l'art sur deux jeux de données publics CareerBuilder.

Recommender systems in public labor markets allocate rival goods: when recommendations concentrate on a few attractive positions, the market congests and other openings go unfilled. Serving these markets demands objectives beyond individual relevance. This thesis follows job recommendation from the design of a deployed system to its market-level effects, addressing three limitations of relevance-focused recommendation: vulnerability to distribution shift, gender fairness blind spots, and the neglect of market congestion. We contribute a normalized recall metric robust to market-level supply contraction, and a discriminative analysis of two-sided markets revealing asymmetric shift dynamics. We develop a fairness auditing framework that estimates conditional gender gaps — a nonparametric analog of the Kitagawa-Oaxaca-Blinder decomposition — with Double Machine Learning, finding that the system propagates but does not amplify pre-existing labor-market inequalities, and that the residual conditional gaps can be neutralized at near-zero recall cost through constrained post-processing. We formalize the orphan job problem — positions receiving insufficient visibility to attract suitable candidates — and develop JoLA, an in-processing approach that integrates a differentiable approximation of market share into the training loss. It enables fine-grained control over the accuracy-congestion trade-off, and we compare it against a state-of-the-art optimal-transport baseline on two public CareerBuilder benchmarks.