Tout demandeur d'emploi cherche à repérer les offres d'emploi qui correspondent à son profil. Il en va de même pour les départements des ressources humaines, ou les recruteurs, qui visent à identifier les futurs collaborateurs, connus par leur CV, et qui correspondent à leurs attentes. Cependant, le nombre de demandeurs d'emploi et d'offres d'emploi est si important qu'aucun recruteur ni demandeur d'emploi n'est capable d'examiner manuellement tous les CV et toutes les offres. Pour pallier cette limite, les systèmes de recommandation sont utilisés dans le but de recommander aux demandeurs d'emploi et aux services des ressources humaines, des offres d'emploi et des CV respectivement. L'une des approches adoptées par la littérature repose sur l'identification automatique d'éléments de contenu dans les offres et dans les CV, qui contribuent à effectuer la correspondance automatiquement. Dans ce travail, nous proposons de représenter les données (les CV) sous forme de graphes et d'aborder ce problème de recommandation comme un problème de classification. Nous présentons DGL4C, un modèle d'apprentissage profond semi-supervisé à base de graphes. DGL4C est un modèle d'apprentissage profond qui apprend la représentation adéquate du graphe et entraîne un classifieur sur cette représentation latente. Les expériences menées sur un jeu de données publique de CV anonymisés montrent que DGL4C améliore significativement la précision d'un modèle traditionnel d'apprentissage profond, tel que sBERT, et confirme la pertinence de s'appuyer sur une structure de graphe pour la tâche de classification de CV.