Butterfly Predictive Project : mégadonnées et réseaux sociaux pour l'e-recrutement

Papillon

Le RALI à l’Université de Montréal et son partenaire industriel LittleBigJob Networks Inc. développent une plate-forme pour améliorer le processus de recrutement de cadres et professionnels en exploitant le potentiel des mégadonnées (Big Data) sur plusieurs points de vue:

  • augmentation de la capacité à récolter et à combiner l’information de multiples sources dont les données publiques sur les médias sociaux;
  • création d’une ontologie du domaine du recrutement pour structurer les données; 
  • amélioration de la mise en correspondance entre des candidats et des offres d’emploi; 
  • développement de visualisations pour comprendre la situation de l’emploi tant pour les chercheurs d’emploi que pour les recruteurs;
  • prédiction du succès dans un nouveau poste;
  • classification automatique d’offres d’emploi dans leur secteur d’activité;
  • génération de lettres de motivation pour inciter un candidat à prendre contact avec les recruteurs. 

Le projet s’appuie sur l’analyse de données massives récoltées et anonymisées par le partenaire industriel, incluant des millions de profils de candidats potentiels. Le partenaire industriel a aussi fourni une liste d’une quarantaine de secteurs d’activité, appelés univers, chacun regroupant des familles de métiers assez proches et un ou plusieurs univers connexes. Les univers connexes à secteur donné sont ceux pour lesquels une transition est possible pour un candidat envisageant un changement de secteur.

Le RALI applique dans ce nouveau domaine son expertise reconnue dans le domaine du traitement de la langue tant en anglais qu’en français afin de construire de nouvelles ressources lexicales (vocabulaires spécialisés et ontologies dans le domaine du recrutement), d’analyser ces textes spécialisés et de développer de nouvelles méthodes de classement, d’appariement et de prédiction du succès d’un candidat dans un poste. Le défi est d’autant plus grand qu’il faut traiter de grandes quantités de texte de types différents: curriculum vitae, lettres de motivation, annonces de postes à pourvoir et des millions de profils tirés des réseaux sociaux ou sites d’emplois. Un volet du projet porte sur la rédaction automatique ou l’aide à la rédaction de profils personnalisés pour les candidats intéressés à progresser dans leur carrière.

Le partenaire industriel peut ainsi profiter de l’expérience du RALI en traitement bilingue de la langue pour intégrer de l’intelligence à ses applications de recrutement en ligne.

Ce projet a débuté en novembre 2014 et bénéficie d’une subvention de Recherche et développement coopérative (CRD) accordée par le Conseil de recherches en sciences naturelles et en génie du Canada. Le projet se poursuit jusqu’en novembre 2018.

Personnel

Professeurs: Guy Lapalme, Philippe Langlais

Chercheur :

  • Fabrizio Gotti : (2014-) : Analyse et présentation de données
    Il assure la coordination quotidienne du projet et fait le lien et le transfert des technologies chez le partenaire industriel. Il a développé une API pour accéder et analyser les données, pour une utilisation par l’ensemble de l’équipe. Il a analysé les données pour produire plusieurs modélisations et visualisations sur la distribution des candidats dans les différents univers, les transitions entre univers, les flux entre sociétés ainsi que les parcours professionnels des candidats. Il a créé un moteur de recherche sur mesure pour LittleBigJob afin d’aider les recruteurs à identifier des profils intéressants parmi les profils dits « discrets », soit ceux qui sont peu renseignés.

Stagiaires post-doctoraux:

  • Rémy Kessler (2014-2016) : Ontologie pour l’e-recrutement
    Après avoir validé et nettoyé les données fournies par le partenaire industriel, il a développé une méthode d’analyse de corpus afin de générer une ontologie dans le domaine du e-recrutement. L’approche de construction semi-automatique s’appuie sur des millions de profils issus de plusieurs réseaux sociaux et sur des dizaines de milliers d’offres d’emploi collectées sur Internet pour faire émerger des compétences et des connaissances communes afin de construire un ensemble structuré de termes et concepts représentant chaque métier. La combinaison de statistiques et d’extraction de n-grammes de mots permet de créer une ontologie en anglais et en français contenant 440 métiers issus de 27 domaines d’activité. Chaque métier est ainsi relié aux compétences nécessaires à sa pratique pour un total d’environ 6 000 compétences différentes. Une évaluation manuelle sur une portion de l’ontologie a été réalisée par un expert du recrutement et a montré des résultats de très bonne qualité.

  • Annette Casagrande (2016-2017) : Analyse d’offres d’emploi
    Détection automatique du secteur d’activité d’offres d’emploi à l’aide de techniques d’apprentissage supervisé. Cette détection permet d’améliorer les résultats d’un tel système de recommandation appariant offres d’emploi et profils suivant les compétences et les expériences requises. 

Étudiant de doctorat

  • David Alfonso (2017-2018) : Ontologie
    Population semi-automatique d'une ontologie métier. Cette population se fait à partir de la génération de graphes des relations entre postes et compétences de profils professionnels. Ce système vient compléter avec des termes populairement utilisés des ontologies à la terminologie administrative et rigoureuse.

Étudiants de maîtrise

  • Abdessamad Outerqiss (2015-2017): Baromètre de l’emploi
    Il a implémenté un tableau de bord permettant la visualisation des offres d’emploi sur le web. Ces offres étant composées de plusieurs sections : titre de l’offre, compagnie qui recrute, description de l’offre…etc., certaines informations contenues dans la description de l’offre ne peuvent pas être extraites directement. Pour l’extraction des compétences citées dans une offre, il a utilisé les techniques de l’apprentissage automatique et plus particulièrement les champs markoviens conditionnels (CRF) utilisés pour l’étiquetage des séquences. Les expériences menées visent également à tester la capacité de ces modèles à trouver ces compétences dans la description de l’offre avec un ensemble d’entrainement partiellement étiqueté. Mémoire de maîtrise.

  • Mamadou Alimou Dieng (2015-2017): Système d’appariement pour l’e-recrutement
    Il a utilisé des techniques de traitement automatique de la langue naturelle pour extraire automatiquement les informations pertinentes dans une offre d’emploi afin de construite une requête pour interroger la base de données de profils de candidats. Pour valider notre modèle d’extraction de métier, de compétences et de d’expérience, ces trois différentes tâches ont été évaluées séparément en se basant sur une référence de cent offres d’emploi canadiennes manuellement annotée. Pour valider l’outil d’appariement, le résultat de l’appariement de dix offres d’emploi canadiennes a été évalué par un expert en recrutement. Mémoire de maîtrise.

  • Philippe Grand’Maison (2015-2017): Génération automatique de lettres de recrutement
    Il a développé un système de génération de la langue naturelle pour automatiser les lettres de contact envoyées par les chasseurs de tête. Les travaux de Ehud Reiter ont inspiré la portion de génération de texte. La génération du contenu est basée sur des règles d’associations obtenues par l’analyse statistique d’une base de données de profils LinkedIn. Le système écrit des lettres en anglais mais peut être facilement étendu à la langue française. Mémoire de maîtrise.

  • Zack Soliman (2016-2018) : Analyse de données avec Deep Learning
    Modélisation des trajectoires professionnelles à l'aide de méthodes d'apprentissage profond et de méthodes statistiques afin de faire ressortir de l'information que l'on peut utiliser pour jumeler des candidats à des postes disponibles qui lui seront beaucoup plus pertinents selon son historique d'emplois. Mémoire de maîtrise

  • Frédéric Piedboeuf (2017-2018) : Génération bilingue de lettres
    Il utilise des techniques d'analyse des médias sociaux afin d'extraire le profil de personnalité DISC de candidats potentiels à partir de leurs écrits sur les médias sociaux dans le but de communiquer avec eux de façon plus personnelle et efficace. Pour ce faire, les données textuelles sont analysées à partir d'un lexique selon de multiples critères, tel le poids des mots  et catégorisées pour leur expression positive, négative, etc.,. Les données non textuelles comme le nombre de contacts et le nombre de recommandations peuvent également être utilisées pour extraire correctement la personnalité.

Publications