Atelier Visualisation et extraction de connaissances - Irisa
Atelier Visualisation et extraction de connaissances - Irisa
Atelier Visualisation et extraction de connaissances - Irisa
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
#ereputation<br />
eréputation @laurentbinard: avis internautes #wikioconf séminaire présentation #reseauxsociaux bientôt,alerte,"e−reputation",http://o<br />
(via,@n<strong>et</strong>toyeurdun<strong>et</strong>)<br />
#personalbranding daily,read,twitter,newspaper,http://bit.ly/d5hdkg,(19,contributions,today) cv améliore,i<strong>de</strong>ntité<br />
@merouanes blog,anthon truc,super soigner<br />
multiples,solutions,veille...,outil,efficace<br />
E. Cuvelier <strong>et</strong> M-A. Aufaure<br />
cnil,harcèlement,intern<strong>et</strong>,questions,http://o<br />
@googlecleaner<br />
flux,rss,discussion,tr<br />
@digimind_fr reasons<br />
70%,contenus,recommandés,publiés veillent,stratégies,http://ow.ly/1a7fwm cf,@fred_montagnon<br />
réalité,augmentée...,maintenant,http://t.co/ihqy1by,@lepost smartbox,choisit,i<strong>de</strong>ntik,analyser,indice,rhn<strong>et</strong>,http://ow.ly/1a6tlp<br />
@blogpb:<br />
dit,fred,montagnon<br />
Treillis Compl<strong>et</strong><br />
#wikioconf,,serge,alleyne,,fondateur,#nomao,,annonce<br />
link,humans.,http://sli<strong>de</strong>sha.re/gztsbm<br />
frontière,ténue,sphère,professionnelle,pr<br />
grâce,search,http://ow.ly/3dyni,#recr<br />
@duboiss<strong>et</strong>b: jeudi,déc,,débat,http://fy.to/d04<br />
@chloegiard:<br />
p<strong>et</strong>it,<strong>de</strong>j,#wikiobuzz,"il,suffit,audience,influent"<br />
google<br />
@celinecrespin:@giselabonnaud: @ffoschiani,#cv,#google<br />
@weickmann)<br />
@agence_happy_id:<br />
FIG. 6 – Le treillis <strong>de</strong> Galois <strong>de</strong>s twe<strong>et</strong>s.<br />
écart-types <strong>et</strong> ensuite par hauteurs désirées. Le mélange résultant est la fonction topigraphique<br />
T :<br />
T(x,y) =<br />
k<br />
i=1<br />
si<br />
2π e<br />
− (x−xi) 2 (x−yi) 2<br />
2l2 ih2i (5)<br />
où :<br />
– k représente le nombre <strong>de</strong> concepts affichés,<br />
– xi <strong>et</strong>yi représentent les coordonnées dui e concept,<br />
– li <strong>et</strong>hi représentent la largeur <strong>et</strong> la hauteur du tag dui e concept,<br />
– si représente la taille dui e concept.<br />
Bien entendu, comme nous avons changé les volumes sous les surfaces, notre fonction topigraphique<br />
T n’est plus une <strong>de</strong>nsité <strong>de</strong> probabilité, mais c<strong>et</strong>te propriété ne nous est pas nécessaire<br />
ici.<br />
Le résultat final peut être vu en figure 8. Dans c<strong>et</strong>te figure, à partir du concept représentant<br />
le mot clé <strong>de</strong> départ {#ereputation}, on voit que les sous-concepts les plus importants sont<br />
{avis}, {internautes} <strong>et</strong> {#wikiconf}, <strong>et</strong> que ces trois concepts contiennent aussi le concept<br />
{70%, contenus, recommandés, publiés}, alors que seul le concept {#wikiconf} contient le<br />
concept {cf, @fred_montagnon}. D’autre part on voit trois concepts affichés indépendamment<br />
<strong>de</strong>s premiers : {c’est}, {@laurentbinard :} <strong>et</strong> {daily, read, twitter, newspaper, http ://bit.ly/d,<br />
(19, contributions, todays)}. Et enfin le concept {cv} qui dépend du concept {c’est}. L’idée <strong>de</strong><br />
c<strong>et</strong>te visualisation est <strong>de</strong> laisser glisser le regard du lecteur <strong>de</strong>s “somm<strong>et</strong>s” (les concepts les<br />
F.Poul<strong>et</strong>, B.Le Grand : 9e <strong>Atelier</strong> <strong>Visualisation</strong> <strong>et</strong> Extraction <strong>de</strong> Connaissances 9<br />
@atchikservices: