Résumé:
La recherche d'emploi peut être un processus complexe et fastidieux, nécessitant de trier une grande quantité d'offres d'emploi pour trouver celles qui correspondent le mieux aux
compétences et aux aspirations des candidats. Les systèmes de recommandation sont devenus des outils essentiels pour faciliter ce processus, en proposant des offres d'emploi pertinentes basées sur le profil des utilisateurs.
Le problème principal abordé de cette recherche est de trouver la meilleure recommandation d'emploi en exploitant la sémantique des documents d'emploi. tels que les descriptions de poste et les CV, qui contiennent une richesse d'informations sémantiques qui peuvent être utilisées pour améliorer la pertinence des recommandations. Cependant, extraire et utiliser efficacement cette sémantique représente un défi significatif.
La solution proposée dans ce travail repose sur l'utilisation de BERT, un modèle de langage puissant qui excelle dans la compréhension du contexte et des nuances des textes. Pour enrichir davantage les représentations sémantiques, nous avons intégré WordNet, une base de données lexicale riche en relations sémantiques entre les mots. En combinant BERT et WordNet, notre système de recommandation d'emploi vise à fournir des recommandations plus précises et pertinentes en capturant les subtilités et les relations sémantiques des documents d'emploi.
Les résultats de notre évaluation montrent que l'intégration de WordNet avec BERT améliore globalement les performances du système de recommandation, bien que cette amélioration ne soit pas universelle pour tous les profils. Les analyses des résultats révèlent que pour certains profils, l'ajout de WordNet peut introduire du bruit sémantique, diminuant ainsi la pertinence des recommandations. Malgré cela, notre approche démontre le potentiel d'amélioration significative dans la recommandation d'emploi en utilisant des techniques avancées de traitement du langage naturel.
