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.
34<br />
Partition <strong>de</strong> réseaux sociaux par point <strong>de</strong> vue sémantique<br />
Comme on peut le voir dans les résultats présentés dans le tableau 4, la distance<br />
intracluster <strong>de</strong> notre approche est inférieure à celle obtenue par l'algorithme utilisant<br />
seulement l'information structurelle du graphe. La modularité obtenue dans les <strong>de</strong>ux cas est<br />
presque la même. Ceci est dû à la composition du point <strong>de</strong> vue qui intègre <strong>de</strong>s informations<br />
sur la localisation <strong>de</strong>s amis. On peut penser que la localisation <strong>de</strong>s amis <strong>et</strong> la liste <strong>de</strong>s amis<br />
sont <strong>de</strong>s informations très similaires.<br />
Les résultats suivants concernent un point <strong>de</strong> vue différent qui n'est pas lié aux relations<br />
personnelles dans le réseau mais à leur type d'interaction dans le réseau.<br />
5.3 Résultats sur le graphe 2 avec le point <strong>de</strong> vue 3<br />
Ces résultats concernent le même graphe 2 que dans le paragraphe précé<strong>de</strong>nt, mais avec un<br />
point <strong>de</strong> vue différent. Les résultats sont présentés dans le tableau 5.<br />
Clustering Q Distance<br />
intracluster<br />
Ecart-type<br />
CSOM -0.2991 0 0<br />
CFU 0.5728 0.7100 0.6565<br />
CSOM-FU 0.6351 0.5507 0.5577<br />
TAB. 5 – Comparaison <strong>de</strong>s résultats <strong>de</strong>s algorithmes classiques <strong>et</strong> <strong>de</strong> notre approche sur le<br />
graphe 2 avec le point <strong>de</strong> vue 3.<br />
Le point <strong>de</strong> vue utilisé ici comporte <strong>de</strong>ux attributs : le premier indique si l'utilisateur a<br />
plus d'amis que <strong>de</strong> suiveurs ou non <strong>et</strong> le second est une variable catégorique à trois valeurs<br />
transformée en trois variables booléennes. Le nombre <strong>de</strong> choix possibles est donc <strong>de</strong> 2x3=6<br />
possibilités différentes.<br />
Le résultat <strong>de</strong>s cartes auto-organisatrices montrent que le clustering en six groupes<br />
chacun reflétant l'une <strong>de</strong>s possibilités décrites est la bonne classification, ce qui explique la<br />
distance obtenue.<br />
L'utilisation <strong>de</strong> l'information sémantique avec les cartes auto-organisatrices perm<strong>et</strong><br />
d'obtenir un clustering <strong>de</strong> meilleure qualité qu'avec le graphe, cependant la modularité est<br />
moins bonne qu'avec le graphe, cela montre que les clusters obtenus par l'algorithme <strong>de</strong><br />
cartes auto-organisatrices sont totalement indépendant <strong>de</strong> la structure du graphe.<br />
Dans le cas du clustering utilisant l'information <strong>de</strong> structure <strong>et</strong> l'information sémantique,<br />
les résultats sont meilleurs à la fois en ce qui concerne la modularité <strong>et</strong> la distance<br />
intracluster.<br />
6 Conclusion <strong>et</strong> perspectives<br />
L'information contenue dans les réseaux socio-sémantiques est liée à la structure du graphe<br />
<strong>et</strong> à certains attributs <strong>de</strong>s individus. Une telle information perm<strong>et</strong> d'analyser le réseau sous<br />
différents points <strong>de</strong> vue.<br />
F.Poul<strong>et</strong>, B.Le Grand : 9e <strong>Atelier</strong> <strong>Visualisation</strong> <strong>et</strong> Extraction <strong>de</strong> Connaissances