La visualisation d'informations est un domaine qui connaît un réel intérêt depuis une dizaine d'années. Dernièrement, avec l'explosion des moyens de communication, l'analyse de réseaux sociaux fait l'objet de nombreux travaux de recherches. Nous présentons dans cette thèse des travaux sur l'analyse de réseaux sociaux dynamiques, c'est à dire que nous prenons en compte l'aspect temporel des données. [...] / Since ten years, informations visualization domain knows a real interest.Recently, with the growing of communications, the research on social networks analysis becomes strongly active. In this thesis, we present results on dynamic social networks analysis. That means that we take into account the temporal aspect of data. We were particularly interested in communities extraction within networks and their evolutions through time. [...]

L’analyse des réseaux sociaux a conduit à la découverte d’une propriété très intéressante : ces réseaux se caractérisent par l’existence de zones de forte densité constituées d’éléments fortement connectés entre eux. Ces zones appelées "communautés", évoluent au cours du temps suivant la dynamique des acteurs sociaux et de leurs interactions. L’identification de ces communautés offre un éclairage intéressant sur la structure du réseau et permet de suivre leur évolution au fil du temps. Bien que ce problème ait donné lieu à de très nombreux travaux ces dernières années, la détection des communautés dynamiques reste encore un problème ouvert et aucune solution entièrement satisfaisante n’est encore proposée. Dans ce travail, nous proposons une approche multi-agents pour la détection des communautés dans les réseaux sociaux dynamiques. Les entités de notre approche observent l’évolution du réseau, et en conséquence, elles adaptent en temps réel le graphe représentant le réseau et elles engendrent les modifications adéquates sur les communautés précédemment détectées. Cette approche permet de modéliser le réseau par un graphe dynamique qui s’adapte en fonction l’évolution observée dans le réseau. Pour cette modélisation, plusieurs aspects du réseau sont intégrés : la structure topologique du graphe, la similarité sémantiques des membres sociaux et la communication entre eux. Cette modélisation se base sur le concept d’homophilie et sur une stigmergie à base des phéromones. Afin d’étudier les performances de l’approche proposée, nous l’avons appliquée sur un ensemble très varié de graphes réels et artificiels. Les résultats ont été suffisamment satisfaisants et montrent la bonne performance de notre modèle. / Analysis of social networks has led to the discovery of a very interesting property : these networks are characterized by the existence of areas with high density composed of highly interconnected elements. These areas called "communities", evolve over time according to the dynamic of social members and their interactions. The identification of these communities offers an interesting light on the network structure and it allows to track their progress over time. Although this problem has been the subject of numerous studies in recent years, the detection of dynamic communities remains an open problem and no fully satisfactory solution has yet been proposed. In this work, we propose a multi-agent approach for the detection of communities in dynamic social networks. The entities of our approach observe the evolution of the network and consequently they adapt in real time the graph representing the network and they generate the appropriate changes on previously identified communities. This approach allows to model the network by a graph that dynamically adapts according to the evolution of the network. For this modeling, several network’s aspects are integrated: the topological structure of the graph, the semantic similarity of social members and the communication between them. This modeling is based on the concept of homophily and a pheromone based stigmergy. In order to study the performances of the proposed approach, we applied it to a divers set of real and artificial graphs. The results were satisfactory enough and show the good performance of our model.

Des agents produisant, manipulant et échangeant des connaissances constituent un système complexe socio-sémantique, dont l'étude représente un défi à la fois théorique, dans la perspective d'étendre la naturalisation des sciences sociales, et pratique, avec des applications permettant aux agents de connaître la dynamique du système dans lequel ils évoluent.<br /><br />Cette thèse se situe dans le cadre de ce programme de recherche. Parallèlement et plus largement, nous nous intéressons à la question de la reconstruction en sciences sociales. La reconstruction est un problème inverse comprenant deux volets complémentaires: (i) la déduction d'observations de haut-niveau à partir de phénomènes de bas-niveau; et (ii) la reproduction de l'évolution des observations de haut-niveau à partir de la dynamique des objets de bas-niveau.<br /><br />Nous affirmons que plusieurs aspects significatifs de la structure d'une communauté de savoirs sont principalement produits par la dynamique d'un réseau épistémique où co-évoluent agents et concepts. En particulier, nous résolvons le premier volet du problème de la reconstruction en utilisant des treillis de Galois afin de recréer des taxonomies de communautés de savoirs à partir de simples relations entre agents et concepts; nous obtenons de fait une description historique se rapportant à la progression des champs, leur déclin, leur spécialisation ou leurs interactions (fusion ou scission). Nous micro-fondons ensuite la structure de ces communautés de savoirs en exhibant et en estimant empiriquement des processus d'interaction au niveau des agents, en co-évolution avec les concepts au sein du réseau épistémique, qui rendent compte de la morphogenèse et de l'émergence de plusieurs faits stylisés structurels de haut-niveau - il s'agit là du deuxième volet.<br /><br />Nous défendons finalement un point de vue épistémologique concernant la méthodologique générale de reconstruction d'un système complexe qui appuie notre choix d'un cadre co-évolutionnaire.