Le suivi des groupes d’utilisateurs ou communautés dans les réseaux sociaux dynamiques
a suscité l’intérêt de plusieurs chercheurs. Plusieurs méthodes ont été proposées
pour mener à bien ce processus. Dans les méthodes existantes, pour suivre une
communauté dans le temps, une approche de comparaison séquentielle des communautés
en termes de noeuds est effectuée. Ces comparaisons des communautés sont
faites par le biais des mesures de similarités basées soit sur le Coefficient de Jaccard,
soit sur un Coefficient de Jaccard modifié. Cependant, suivre une communauté donnée
à partir de ces mesures de similarités pourrait au terme de sa durée de vie conduire à
une communauté qui n’a aucun noeud en commun avec la communauté initialement
observée. De plus, l’usage de ces mesures de similarité pourrait également limiter
la détection des changements ou transitions possibles que subirait une communauté
dans le temps. Par ailleurs, parmi les méthodes existantes, très peu d’auteurs se sont
intéressés à l’étude de l’évolution de la structure des communautés dans le temps.
L’objet de ce mémoire est principalement basé sur la question de suivi des communautés
et de détection des changements ou des transitions que pourrait subir une
communauté dans le temps. Par ailleurs nous présentons une ébauche des perspectives
futures au travail élaboré dans ce mémoire à savoir l’analyse de l’évolution de la
structure des communautés dans le temps. La contribution majeure présentée dans le
chapitre deux de ce mémoire est liée à une nouvelle approche permettant de modéliser
et suivre les communautés. Dans notre modèle, nous construisons premièrement une
matrice qui dénombre le nombre de noeuds partagés par deux communautés. Chaque
ligne de cette matrice est par la suite utilisée pour représenter les noeuds partagés par
une communauté et toutes les autres communautés détectées dans le temps. Cette
représentation nous permet d’avoir une traçabilité de la communauté à comparer.
Par la suite, nous proposons une nouvelle mesure de similarité appelée « transition
mutuelle » pour effectuer le suivi et la détection des changements dans les réseaux
dynamiques.
Dans le dernier chapitre, nous présentons une ébauche de nos futurs travaux. Dans
ce chapitre, nous tentons de prédire la structure que pourrait prendre une communauté
à un instant inconnu. Pour mener à bien cette opération, nous utilisons un
modèle supervisé deux-tiers. Dans le premier tiers, encore vu comme étape d’apprentissage,
on extrait des caractéristiques ou variables explicatives liées aux différentes
communautés. Comme caractéristiques nous observons entre deux instants le nombre
de noeuds qui joint, quitte et reste dans une communauté. Ces caractéristiques extraites
sur deux instants distincts sont projetées dans un nouvel espace orthonormé.
Cette projection dans un nouvel espace permet de se rassurer que les nouvelles variables
sont indépendantes. Une transition étant définie entre deux instants, nous
utilisons la variation des nouvelles variables explicatives pour définir chacun des phénomènes
comme des classes. Dans le deuxième tiers, nous utilisons le modèle de
machine à support de vecteurs (SVM) pour analyser l’évolution de la structure d’une
communauté dans le temps. Une série de tests sur des données réelles a été effectuée
pour évaluer les approches proposées dans ce mémoire.
| Identifer | oai:union.ndltd.org:usherbrooke.ca/oai:savoirs.usherbrooke.ca:11143/8559 |
| Date | January 2016 |
| Creators | Tajeuna, Etienne Gaël |
| Contributors | Bouguessa, Mohamed, Wang, Shengrui |
| Publisher | Université de Sherbrooke |
| Source Sets | Université de Sherbrooke |
| Language | French |
| Detected Language | French |
| Type | Mémoire |
| Rights | © Etienne Gael Tajeuna, Attribution - Partage dans les Mêmes Conditions 2.5 Canada, http://creativecommons.org/licenses/by-sa/2.5/ca/ |
Page generated in 0.0019 seconds