Académique Documents
Professionnel Documents
Culture Documents
Chapitre 4
Diffusion de l’information et recommandation
dans les réseaux d’affiliation sociaux
Théorème
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
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
Les éléments peuvent être d’une nature commerciale (produits à vendre), culturelle (films,
chansons, presse), ou professionnelle (articles scientifiques).
Système de recommandation
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.
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 modèle de cascade indépendant (ICM) est un modèle de diffusion d'informations dans lequel les
informations circulent sur le réseau via Cascade.
• 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.
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.
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