Analyse des réseaux sociaux

Chapitre 4
Diffusion de l’information et recommandation
dans les réseaux d’affiliation sociaux

©Dr. Aoudia, 2023

Plan
Introduction
Graphe biparti
Affiliation network
One-mode projections.
Recommendation systems
Social Diffusion.
Modèle de cascade indépendant.
 Introduction

Les données peuvent souvent être utilement conceptualisées en termes

d’affiliations entre personnes. Il peut être utile d'analyser l'appartenance
à un groupe commun, les décisions d'achat communes ou les modèles
de comportement communs.
 Introduction

Un réseau peut être constitué de différentes « classes » de nœuds. Par

exemple, un réseau à deux modes peut être composé de personnes (le
premier mode) et de groupes dont elles sont membres (le deuxième
mode).
 Introduction

- Quels étudiants d'une université appartiennent à quel département,

- Quels employés d'une compagnie participent à quel projet,

- Quels clients sont intéressés par quels livres sur amazon

- Quel scientifique écrit quels articles ensemble

- Quels clients ont acheté le même modèle de voiture.

 Introduction

- Quels étudiants d'une université appartiennent à quel département,

- Quels employés d'une compagnie participent à quel projet,

- Quels clients sont intéressés par quels livres sur amazon

- Quel scientifique écrit quels articles ensemble

- Quels clients ont acheté le même modèle de voiture.

Comment peuvent être représentées ses données ?

 Introduction

- Quels étudiants d'une université appartiennent à quel département,

- Quels employés d'une compagnie participent à quel projet,

- Quels clients sont intéressés par quels livres sur amazon

- Quel scientifique écrit quels articles ensemble

- Quels clients ont acheté le même modèle de voiture.

Utiliser un réseau deux modes. Chaque mode représente

une classe (étudiants et département par exemple)
Graphe biparti

Un graphe biparti est caractérisé par la

présence d’un ensemble de sommets,
pouvant être divisé en deux classes
distinctes. Les liens se font alors
seulement d’une classe à l’autre et non
entre les éléments d’une même classe
Graphe biparti

Théorème

un graphe G est biparti si et seulement si

il ne contient aucun cycle impair.
 Graphe biparti: Graphe biparti complet

On définit le graphe biparti complet entre

un ensemble de n sommets et un
ensemble à m sommets comme le graphe
simple tel que chaque sommet du premier
ensemble est relié à chaque sommet du
deuxième ensemble. On le note Kn,m.
Graphe biparti: Graphe
biparti complet

Exercice:
Est-ce que les graphes suivants sont
bipartis ?
Graphe biparti: Graphe
biparti complet

Exercice:
G1= Grpahe biparti complet K3,3
G2= Graphe biparti complet K3,4
Graphe biparti: Graphe
biparti complet

Exercice:
Est-ce que le graphe suivant est biparti ?
Graphe biparti: Graphe
biparti complet

Exercice- Solution:
Le graphe est biparti parce que tous les
cycles sont de taille paire.
 Affiliation Networks

• De nombreux réseaux sociaux ne sont pas constitués de relations de personne à personne. Au lieu de cela,
le lien va des personnes vers un événement, un groupe ou une collaboration plus large.

• Ces réseaux, tout en comportant de nombreuses relations de personne à personne, présentent également
une relation plus abstraite entre les personnes et les événements, groupes et projets auxquels ils rejoignent.

• Étant donné que les gens ont tendance à participer à plusieurs événements, à rejoindre plusieurs groupes ou
à collaborer à plusieurs projets, nous pouvons construire un réseau qui, plutôt que d'avoir un seul type de
nœud, comporte deux types : les personnes et les groupes, les événements et les projets dont lesquels ils
participent.

https://olizardo.github.io/networks-textbook/10-lesson-affiliation-networks.html
 Affiliation Networks

La relation générale entre les personnes et les entités plus grandes

auxquelles elles rejoignent est appelée affiliation, et les réseaux qui
résultent du lien entre les personnes et les groupes, projets et
événements auxquels ils rejoignent sont également appelés réseaux
d'affiliation.

https://olizardo.github.io/networks-textbook/10-lesson-affiliation-networks.html
 Affiliation Networks: Exemples

https://www.mi.fu-berlin.de/en/inf/groups/hcc/teaching/Past-Terms/Winter-Term-2015_16/CNA_Resources/05_CNA.pdf
 Affiliation Networks: Matrice d’affiliation

• La matrice d’affiliation relie les acteurs avec les évènements dans un

réseau d’affiliation. Le terme aij est donné comme suit
One mode
projections

une projection one-mode d'un

réseau à deux-mode (Graphe
Biparti) est la représentation
du réseau en considérant et en
connectant des nœuds d'un
seul type.
One mode
projections

On peut considérer par

exemple que le graphe biparti
représente l’affectation des
médecins 1 à 7 aux spécialités
AàD
One mode
projections

La projection one-mode peut

engendrer deux graphes one-mode:

• En haut, le graphe représentant

les relations entre les spécialités

• En bas, le graphe représentant les

relations entre les médecins.
One mode
projections
Exercice

Soit le graphe biparti

suivant.
Donner une projection one-
mode des acteurs du graphe
One mode
projections
Exercice

Soit le graphe biparti

suivant.
Donner une projection one-
mode des acteurs du graphe
Systèmes de recommandation
Un système de recommandation propose des éléments (items) d’un catalogue à des utilisateurs
(users) pour les aider à faire un choix parmi ses éléments.

Le Système de recommandation permet de prédire des articles (films, musique, livres,

nouvelles, pages web) auxquels s’intéresserait un utilisateur et dessiner son profil. Souvent,
cette fonction est exécutée par des algorithmes de filtration collaborative.
Les utilisateurs sont presque toujours des personnes.

Les éléments peuvent être d’une nature commerciale (produits à vendre), culturelle (films,
chansons, presse), ou professionnelle (articles scientifiques).
Système de recommandation

Un système de recommandation prend en compte

plusieurs facteurs en considération pour faire une
recommandation à un utilisateur
• Le profil de l’utilisateur : Age, situation géographique, historique, ...
• Informations sur les déférents items disponibles : Contenu associé à
l’item.
• Les interactions des utilisateurs : contenu de navigation
• Le contexte dans lequel les items seront affichés : Sous-catégorie
d‟items qui doivent être considéré
Système de recommandation
Système de recommandation: Étapes
Un système de
recommandation 1. Recueillir de l’information sur l’utilisateur ;
requiert
généralement
trois étapes :

2. Construire une matrice ou un modèle

utilisateur contenant l’information recueillie ;

3. Extraire à partir de cette matrice une liste

de recommandations.
 Système de recommandation: Techniques
Filtrage basé sur le contenu (Content-based Filtering)

S'appuie sur le contenu des documents, ou thèmes abordés, pour les comparer à un profil lui-même constitué de
thèmes.

Chaque utilisateur du système possède alors un profil qui décrit ses propres centres d’intérêt.

Deux fonctionnalités centrales ressortent, pour un système de filtrage :

La sélection des documents pertinents vis-à-vis du La mise à jour du profil en fonction du retour de pertinence fourni par
l’utilisateur sur les documents qu’il a reçus. La mise à jour se fait par
profil. intégration des thèmes abordés dans les documents jugés pertinents
 Système de recommandation: Techniques
Filtrage basé sur le contenu (Content-based Filtering)
 Système de recommandation: Techniques
Filtrage basé sur le contenu (Content-based Filtering)- ÉTAPES
1. Extraction d'informations

• Dans un premier temps, le système interroge (Amazon par exemple), sur une thématique particulière et
obtient une liste de livres. L'information pertinente du livre est extraite à partir du titre de l'ouvrage et le profil
de l'auteur en utilisant des patrons.

2. Evaluation utilisateur :

• L'utilisateur doit donner une note de 1 à 10 aux livres proposés par le système.

3. Apprentissage de profils :

• Les choix effectués par les différents utilisateurs sont appris par un classificateur Bayesien.

4. Recommandation :

• Le système propose de nouveaux livres ordonnés en termes d'adéquation avec les profils des utilisateurs.
 Système de recommandation: Techniques
Filtrage collaboratif
Le filtrage collaboratif se base sur l’hypothèse que les gens à la recherche
d’information devraient pouvoir se servir de ce que d’autres ont déjà trouvé et
évalué.

Le filtrage collaboratif emploie des méthodes statistiques pour faire des

prévisions basées sur des configurations des intérêts des utilisateurs. Ces
prévisions sont exploitées pour faire des propositions à un utilisateur individuel,
en se fondant sur la corrélation entre son propre profil personnel et les profils
d’autres utilisateurs qui présentent des intérêts et goûts semblables.
 Système de recommandation: Techniques
Filtrage collaboratif
 Système de recommandation: Techniques
Filtrage collaboratif: Étapes

a) Collecter les appréciations et le comportement des

utilisateurs. En général l'utilisateur fournit des évaluations sous
forme de notes, sur un ou plusieurs axes : qualité,
correspondance au besoin, etc.

b) Intégrer ces informations au profil de l‟utilisateur.

c) Le système utilise ces informations pour faire des

recommandations.
Diffusion sociale
• La diffusion de l'information est le processus par
lequel une nouvelle idée ou innovation se propage
sur les réseaux par les moyens de communication
entre les entités sociales.

• Un mode de diffusion d'informations largement

utilisés
• le modèle de diffusion en cascade.
 Modèle de
cascade
indépendant.

• Le modèle de cascade indépendant (ICM) est un modèle de diffusion d'informations dans lequel les
informations circulent sur le réseau via Cascade.

• Les nœuds peuvent avoir deux états,

• Actif : Cela signifie le nœud déjà influencé par l'information en diffusion.
• Inactif : nœud ignorant l’information ou non influencé

• Un nœud actif peut tenter d'activer un nœud inactif voisin une seule fois, et un nœud ne peut pas devenir
inactif plus tard une fois qu’il soit actif
 Modèle de
cascade
indépendant.

• Le processus démarre avec quelques nœuds initialement actifs qui servent de nœuds de départ. Un nœud v
activé au temps t tente d'activer ses nœuds voisins inactifs au temps t + 1. La tentative réussit avec une
probabilité pvu.
• Le processus se déroule jusqu’à l’itération de temps où plus aucun nœud n’est activé.
 Modèle de
cascade
indépendant.

L’exemple ci-dessus illustre le processus de diffusion avec le modèle de cascade indépendant.

B est sélectionné comme nœud initial et activé à t = 0. Il tente d'activer ses voisins. A, C et E ont respectivement des probabilités d'activation de
pBA, pBC et pBE.
À t = 1, seul A est activé par B ; et B ne peut plus activer aucun de ses voisins.

A procède ensuite à activer D de la même manière.

Ensuite, D tente d'activer ses voisins et d'activer G.

La diffusion se termine puisqu'il ne reste aucun nœud actif pouvant tenter d'activer des voisins
Modèle de
cascade
indépendant.

Cas d’utilisation
• Un internaute qui reçoit la notification de la publication d’une vidéo
d'une autre personne sur YouTube et commence à la partager ou à la
republier, on parle ici de cascade d'informations.
• Le processus continue jusqu'à ce que les gens cessent de diffuser la
vidéo ou de la republier.
 Références
1. http://dspace.univ-tiaret.dz/bitstream/123456789/5288/1/TH.M.INF.FR.2019.12.pdf