Atelier Visualisation et extraction de connaissances - Irisa

More documents

Recommendations

Info

10 EVARIST: buzz et e-reputation monitoring Concepts > 0.1 #ereputation avis internautes @laurentbinard: #wikioconf c’est 27,28,29,30,31,32,33 daily,read,twitter,newspaper,http://bit.ly/d5hdkg,(19,contributions,today) 70%,contenus,recommandés,publiés cf,@fred_montagnon cv FIG. 7 – Les concepts comprenant plus de 10% des tweets. plus généraux) vers les “vallées” (les concepts les plus particuliers). La constructions et les affichages des treillis et des cartes de tags en réseau topigraphique ont été effectuées dans l’environnement statistique R Development Core Team (2010), et pour les parties treillis, à l’aide du package galois développé par nos soins. 5 Conclusions et perspectives Dans cet article nous avons présenté une nouvelle technique de monitoring du buzz et de la e-réputation sur la plateforme de micro-blogging, Twitter. Cette technique se base sur les treillis de Galois, et propose comme visualisation des concepts résultants, un nuage de tags proportionnels en réseau topigraphique. Cet affichage, limité aux concepts les plus importants, permet d’afficher les tags constituant les concepts de manière plus lisible que si l’on affiche directement le treillis. Son idée est de faire “glisser” le regard du lecteur, des concepts les plus généraux, affichés aux “sommets” vers les concepts plus particuliers placés dans les “vallées”, les flèches du réseaux servant de “pistes” pour guider vers les concepts liés. Bien qu’EVARIST soit encore à l’état de prototype, un certain nombre d’améliorations sont envisageables et envisagées. La première c’est l’ajout de l’interactivité afin de permettre à l’utilisateur de sélectionner le sous-concept qu’il désire développer. On envisage ensuite de “développer” les URL réduites (bit.ly, is.gd, tinyURL,..) afin de ne pas comptabiliser sous deux concepts différents une même URL qui aurait été réduite via deux services différents. Lors de l’étape qui consiste en la suppression des mots de liaisons et des signes de ponctuations afin F.Poulet, B.Le Grand : 9e Atelier Visualisation et Extraction de Connaissances
Concepts > 0.1 , Nuage de Tags en Réseau Topigraphique 70%,contenus,recommandés,publiés avis internautes #wikioconf @laurentbinard: #ereputation daily,read,twitter,newspaper,http://bit.ly/d,(19,contributions,today) c’est cv cf,@fred_montagnon E. Cuvelier et M-A. Aufaure FIG. 8 – Le réseau topigraphique des concepts comprenant plus de 10% des tweets. d’établir la table de contexte, un traitement particulier devrait être réservé aux smileys, qui sont en fait signifiants. Dans une prochaine étape, nous prévoyons aussi d’utiliser l’analyse de sentiments pour évaluer la positivité ou négativité des concepts, notions importantes dans le cadre de la surveillance de la réputation électronique. Enfin le support de plusieurs langues se révèle un challenge important mais intéressant pour le développement d’un tel outil. Références Barbut, M. et B. Monjardet (1970). Ordre et classification, Algebre et combinatoire, Tome 2. Hachette. Birkhoff, G. (1940). Lattice Theory, Volume 25. New York : American Mathematical Society. Bordat, J. (1986). Calcul pratique du treillis de galois dŠune correspondance. Mathématique, Informatique et Sciences Humaines 24(94), 31–47. Bosker, B. (2010). Twitter user statistics revealed. http ://www.huffingtonpost.com/. Boyd, D., S. Golder, et G. Lotan (2010). Tweet, tweet, retweet : Conversational aspects of retweeting on twitter. In Proceedings of the 43rd Hawaii International Conference on Social Systems (HICSS). Carpineto, C. et G. Romano (1993). Galois : An order-theoretic approach to conceptual clustering. In Proc. Of the 10th Conference on Machine Learning, Amherst, MA, Kaufmann, pp. pp. 33–40. F.Poulet, B.Le Grand : 9e Atelier Visualisation et Extraction de Connaissances 11
Page 1: 11 e Journées Francophones d'Extra
Page 4 and 5: Les organisateurs tiennent à remer
Page 7 and 8: EVARIST: un outil de monitoring du
Page 9 and 10: E. Cuvelier et M-A. Aufaure FIG. 1
Page 11 and 12: {#ereputation,avis,internautes,70%,
Page 13 and 14: E. Cuvelier et M-A. Aufaure FIG. 5
Page 15: #ereputation eréputation @laurentb
Page 19 and 20: Correspondence Analysis for Explora
Page 21 and 22: CA has successfully been used too f
Page 23 and 24: Group 4: “Intraprovince call” S
Page 25 and 26: In this figure, we found that: - Th
Page 27 and 28: Group 3: Customers making local cal
Page 29 and 30: Group 1: customer susing VinaPhone
Page 31 and 32: Identification et visualisation des
Page 33 and 34: Juan David Cruz et al. la sparsité
Page 35 and 36: 3.1 Quelques notations Juan David C
Page 37 and 38: Juan David Cruz et al. La complexit
Page 39 and 40: 5.1 Résultats sur le graphe 1 avec
Page 41 and 42: Juan David Cruz et al. Les algorith
Page 43 and 44: Détection visuelle d’événement
Page 45 and 46: 1.2 Objectif B.Le Grand et M.Latapy
Page 47 and 48: FIG. 2 - Arbre à 2 itérations suc
Page 49 and 50: B.Le Grand et M.Latapy L’ordre de
Page 51 and 52: B.Le Grand et M.Latapy Cette repré
Page 53 and 54: 4 Conclusion et perspectives B.Le G
Page 55 and 56: CUBIST Analytics: A Visual Analysis
Page 57 and 58: C.Melo et M-A.Aufaure tion is based
Page 59 and 60: 4 Open Issues FIG. 3. A “hot box
Page 61 and 62: C.Melo et M-A.Aufaure Sarkar, M. &
Page 63 and 64: Gephi, an open source software for

Atelier Visualisation et extraction de connaissances - Irisa

Create successful ePaper yourself

Delete template?

Save as template?