Français Anglais
Accueil Annuaire Plan du site
Accueil > Production scientifique > Thèses et habilitations
Production scientifique
Doctorat de GHUFRAN Mohammad
GHUFRAN Mohammad
Doctorat
Equipe :

Digital Identity Discovery and Reconciliation for Human Resources Management

Début le 01/04/2014
Direction : SEGHOUANI BENNACER, Nacéra
[QUERCINI Gianluca]

Financement : CIFRE
Etablissement d'inscription : Centrale Supélec
Lieu de déroulement :

Soutenue le 27/11/2017 devant le jury composé de :
- Patrick MARCEL – François-Rabelais Université

- Mathieu ROCHE – CIRAD

- Nacéra SEGHOUANI BENNACER – LRI, CentraleSupélec

- Gianluca QUERCINI – LRI, CentraleSupélec

- Dario COLAZZO – Paris-Dauphine Université

- Nicolas SABOURET – Paris-Sud Université

- Florent ANDRÉ – MindMatcher

Activités de recherche :

Résumé :
Trouver l'individu approprié à embaucher est une partie cruciale de toute organisation. Avec l'augmentation du nombre de demandes en raison de l'introduction de portails d'emploi en ligne, il est souhaitable de jumeler automatiquement les candidats avec les offres d'emploi. Les approches existantes qui correspondent aux candidats avec des offres d'emploi prennent des CV tels qu'ils sont et ne tentent pas de compléter l'information sur un CV en cherchant plus d'informations sur Internet. L'objectif de cette thèse est de combler cette lacune en découvrant des ressources en ligne pertinentes pour un candidat. À cette fin, une nouvelle méthode d'extraction des informations clés des CV est proposée. C'est une tâche difficile puisque les CV peuvent avoir des structures et des formats divers, et les entités présentes à l'intérieur sont ambiguës. L'identification des résultats Web en utilisant les informations clés et leur réconciliation est un autre défi. Nous proposons un algorithme pour générer des requêtes et classer les résultats pour obtenir les ressources en ligne les plus pertinentes. En outre, nous nous attaquons spécifiquement à la réconciliation des profils de réseaux sociaux grâce à une méthode qui permet d'identifier les profils des individus sur différents réseaux. De plus, une méthode pour résoudre l'ambiguïté dans les localisations, ou la prédire lorsqu'elle est absente, est également présentée. Des expériences sur des ensembles de données réels sont menées pour tous les différents algorithmes proposés dans cette thèse et ils montrent de bons résultats.