Mots-clés
- Réseaux sociaux
- Fusion de préférences
- Cohérence des préférences
Description du stage
Le contexte de ce stage est celui de la fusion de préférences appliquée à l’analyse des réseaux sociaux. En pratique, il est courant que l’expression des préférences dépende uniquement du contexte et du profil d’un utilisateur donné. Cependant, avec l’avènement des réseaux sociaux tels que Facebook, Twitter, Instagram, …, l’utilisateur n’est plus considéré comme une entité individuelle, du moins plus uniquement. Dans ce contexte, l’utilisateur désigne une entité sociale interconnectée et est auteur de flux d’informations conséquents.
L’hypothèse faite ici est que les personnes ont la possibilité d’exprimer leur préférence, l’indifférence et l’incomparabilité entre deux objets à partir d’un degré (ex. je préfère les voitures de couleurs noires aux voitures de couleurs bleues avec un degré de croyance de 40 %). Ces degrés permettent dans le cadre de la théorie des fonctions de croyance de fusionner les préférences de plusieurs personnes et de prendre une décision [5]. Cependant, lors du processus de fusion des préférences des cycles et des transitivités peuvent apparaître (les préférences sont représentées sous forme de graphe).
L’objectif de ce stage est de proposer une approche permettant la détection de cycles et de transitivités à partir d’un graphe de préférences incertaines, et de proposer une approche de réduction de ces cycles et de prise en compte de ces liens transitifs sans perte d’informations. En effet, il est nécessaire de tenir compte des croyances existantes sur les liens issus de la fusion afin de rétro-propager ces informations sur le reste des liens.
Il serait également intéressant de mesurer la cohérence des préférences exprimées par un même utilisateur. L’objectif étant de définir un possible lien de causalité entre le degré de cohérence des préférences issues d’un même utilisateur et l’apparition de conflits suite au processus de fusion de préférences multi-utilisateurs.
La dernière étape consistera à identifier de nouvelles communautés d’utilisateurs par l’analyse des préférences collectives obtenues à l’issue de l’étape précédente. Plus précisément, la solution proposée devra permettre la caractérisation des communautés partageant les mêmes préférences collectives. Ces communautés d’utilisateurs seront ensuite fusionnées pour former une nouvelle communauté.
Contacts
Tassadit Bouadi : tbouadi@irisa.fr
Arnaud Martin :arnaud.martin@irisa.fr
Bibliographie:
- Bouyssou, D., Vincke, P.: Relations binaires et modélisation des préférences. Technical report SMG, IS-MG 2003/02 (2003).
- Roubens and Ph. Vincke, Preference Modelling, (Springer-Verlag, Berlin, 1985)
- Plantié, M., & Crampes, M. (2013). Survey on social community detection. In Social Media Retrieval (pp. 65-85). Springer London.
- Harenberg, S., Bello, G. A., Gjeltema, L., Ranshous, S., Harlalka, J., Seay, R., … & Samatova, N. (2014). Community detection in large-scale networks: A Survey and empirical evaluation. Technical Report-Not held in TRLN member libraries.
- Faten Elarbi, Tassadit Bouadi, Arnaud Martin and Boutheina Ben Yaghlane. Fusion de préférences pour la détection de communautés dans les réseaux sociaux. LFA 2015.
- Denœux, T., & Masson, M. H. (2012). Evidential reasoning in large partially ordered sets. Annals of Operations Research, 195(1), 135-161.
- Masson, M. H., Destercke, S., & Denoeux, T. (2014). Modelling and predicting partial orders from pairwise belief functions. Soft Computing, 1-12.
- Ciaccia, P., & Torlone, R. (2011). Modeling the propagation of user preferences. In Conceptual Modeling–ER 2011 (pp. 304-317). Springer Berlin Heidelberg.
