Contexte de l'offre

Dans le cadre de ses activités de R&D en science des données appliquée aux réseaux sociaux, Morphism cherche à renforcer son équipe avec un jeune chercheur en Graph Neural Networks (GNN).L’objectif principal est d’explorer, adapter et optimiser des modèles existants pour résoudre des problématiques de maximisation/minimisation d’influence et de détection de communautés dans des graphes représentant des interactions sociales réelles.

Missions

Le ou la candidat(e) retenu(e) contribuera à : Identifier et sélectionner des modèles récents de GNN pertinents pour les tâches cibles (influence maximization, influence minimization, community detection). Identifier des métriques d’influence, de similarités et de segmentation de communautés. Implémenter, tester et comparer ces modèles sur des jeux de données synthétiques et réelles. Adapter et modifier les architectures ou les stratégies d'entraînement pour améliorer les performances (robustesse, généralisation, scalabilité). Développer des pipelines de traitement de graphes et d'entraînement de modèles en Python. Calibrer les modèles. Préparer les expérimentations sur des grands réseaux sociaux (X, Facebook).

Compétences et profil recherché

• Maîtrise des GNN et leur application à des tâches comme la classification de noeuds, la prédiction de liens, la détection de structures ;

• Expérience approfondie en Python, avec au moins une bibliothèque dédiée aux graphes (ex : PyTorch Geometric) ;

• Compréhension des problématiques de maximisation/minimisation d’influence et/ou de détection de communautés (algorithmes de propagation, heuristiques, méthodes basées ML) ;

• À l’aise avec les outils de versioning (Git) et les workflows de recherche reproductible ;

• Goût pour la recherche appliquée et l’expérimentation algorithmique dans un but d’adaptation à des problématiques du monde réel ;

• Capacité à travailler dans un environnement évoluant rapidement et avec des contraintes de temps importantes ;

• Travail en équipe ;

• Une première expérience sur des données issues de réseaux sociaux (X, Facebook) ;

• Intérêt pour les problématiques de passage à l’échelle (optimisation, parallélisation).