University Sétif 1 FERHAT ABBAS Faculty of Sciences
Catégories
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Détection de Communauté dans Les Réseaux Sociaux Type de document : texte imprimé Auteurs : Belarbi,Ahmed Karim, Auteur ; Toumi,Lyazid, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (86 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Détection de communautés
Réseaux sociauxIndex. décimale : 004 - Informatique Résumé : La capacité d’analyser les grands réseaux pour détecter les sous-ensembles de sommets plus densément connectés que d’autres, peut nous aider à comprendre et à visualiser la structure de ces réseaux. Les sous-ensembles appelé communautés.
La détection des communautés est appliquée dans des déférents domaines diversifiés tels que la sociologie, l’informatique, l’ingénierie et la biologie.
De fait, il s’agit de déterminer des classes dans un graphe. De nombreuses approches ont été proposées pour découvrir les structures de communautés dans les réseaux. Ces approches sont pour la plupart dédiées pour détecter les communautés disjointes. En biologie, où nous analysons les réseaux d’interactions protéine-protéine pour, entre autres, prédire leurs fonctions, nombreuses sont celles qui ont plusieurs fonctions et dans ce cas il est raisonnable de construire non pas une partition, mais un recouvrement, c’est à dire un système de classes chevauchantes. Il en est de même dans les réseaux sociaux, où les individus peuvent appartenir à plusieurs groupes.
On s'intéresse sur les méthodes de construction d’une partition des sommets du graphe qui maximisent un certain critère. Parmi les nombreux critères qui évaluent la qualité d’une partition, nous ne faisons ici référence qu’à la notion de modularité introduite par Newman. Malheureusement, son optimisation sur l’ensemble de toutes les partitions des sommets d’un graphe est un problème NP-difficile ; il en est évidemment de même pour les recouvrements. Il faut donc utiliser des méthodes heuristiques, dès lors que les graphes étudiés sont de grande taille. Dans ce mémoire, nous proposons deux méthodes approchées, l’une pour les partitions, ce qui permet d’optimiser la modularité (VOS Clustering) basée sur l'algorithme de Louvain, qui est actuellement le meilleur algorithme en termes de complexité, d’efficacité pour calculer des communautés sur de très grands graphes. L’autre pour les recouvrements, Elle est basée sur la première approche pour le nombre de communautés défini pour détecter les communautés chevauchantes, c’est l’algorithme FCM (Fuzzy C-Means).
Nous avons mis en place une évaluation de nos méthodes, après avoir les testés sur des différents benchmarks de graphes réels. Et nous avons présenté les résultats qui sont jugés satisfaisants après les comparés à ceux de la littérature.Note de contenu : Sommaire
Dédicaces…………………………………………………………………………..ii
Remerciements………………………………………………………………..…..iii
Résumé……………………………………………..……………………………...iv
Table des matières…………………………………………………………….…..vi
Table de figures……………………………………………………………….…...x
Introduction Générale………………………….…………..……...………….…..13
1. Contexte générale……………………………………………………….13
2. Problématique et objectif de l’étude…………………………………….14
3. Contribution……………………………………………………………..14
4. Organisation du mémoire……………………………………...….……..14
Chapitre 1 : Notations et définitions
1.1 Introduction…………………….……………………………………..….…….……17
1.2 Réseau social………………….….………..…………………………….……...……17
1.3 Modélisation par les graphes………………………………………..…..…….…….18
1.4 Concepts…………….…………..……………………………………….…......….….19
1.4.1 Notion relative au graphe……………………..……………………….……...….19
1.5 Mesures de centralités……………………………………………...…..….…………23
1.5.1 Degré de centralité…………….....…………………………………...………....23
1.5.2 Centralité intermédiarité………………………..……………………....……….24
1.6 Modularité………………………………………………………………..…..………24
1.7 Graphe de terrain……………………………………………………….…..……….26
1.8 Communauté…………………………………………………………….……..…….26
1.9 Détection de communautés……………..……………………………………….…..27
vii
1.10 Analyse des réseaux sociaux……………………………………………………….28
1.11 Intérêt de la détection de communautés et ses applications……………….…….29
1.12 Conclusion…………………………...………………………………….…………..30
Chapitre 2 : Etat de l'art
2.1 Introduction………………………………………………………….………….32
2.2 Les approches de détection de communauté……………………………………32
2.2.1 Les approches statistiques sans recouvrements……………….…………32
2.2.1.1 Les approches hiérarchiques………………………………..……….33
2.2.1.1.1 Approche Hiérarchique Ascendantes…………….………34
2.2.1.1.2 Approche Hiérarchique Descendantes…….………..…….37
2.2.1.2 Partitionnement non hiérarchique…………………………..………41
2.2.1.2.1 Centre mobiles……………………………………..………41
2.2.1.2.2 Nuées dynamiques………………………………….……..42
2.2.1.3 Approches utilisant des marches aléatoires………………….……..42
2.2.1.4 Approches spectrales…………………………………………..…...44
2.2.2 Les approches statistiques avec recouvrement…………….………..…45
2.2.2.1 Approches basées sur des cliques………………………………..…46
2.2.2.2 Approches basé sur la propagation de labels………………….…....48
2.2.2.3 Approches basées sur des graines………………………….…….....51
2.3 Les approches dynamiques………………………………………………..52
2.3.1 Approches par détections statiques successives……………………….54
2.3.2 Les approches par détections statiques informées successives……….56
2.4 Conclusion…………………………………………………………..……..59
viii
Chapitre 3 : Contribution Et Algorithmes Etudiés
3.1 Introduction………………………………………………………………….61
3.2 Détection communautés avec la méthode VOS Clustering……………….61
3.2.1 Méthode de Louvain…………………………………………………61
3.2.1.1 Avantage……………………………………………………………..61
3.2.1.2 Inconvénient…………………………………………………….…...62
3.2.1.3 Exemple de détection de communautés pour des réseaux sociaux…...62
3.2.2 Vos Clustering…………………………………………………..……..63
3.2.2.1 Avantage……………………………………………………..………63
3.2.2.2 inconvénients………………………………………………..……….64
3.3 Détection les recouvrements avec la méthode de Fuzzy C-means……….…64
3.3.1 Avantages………………………………………………………………..…..65
3.3.2 Inconvénients……………………………………………………………..…65
3.4 Contribution…………………………………………………………………..65
3.4.1 Distance et métriques……………………………………………..………...66
3.4.1.1 Notion de distance………………………………………….………..66
3.4.1.2 Quelques types de distance………………………………….……….66
3.4.1.3 Similarité…………………………………………………….………68
3.5 Conclusion………………………………………………………………..……69
Chapitre 4 : Évaluation et Expérimentation.
4.1 Introduction…………………………………………………………………...71
4.2 Les langages utilisés et les outils d'implémentations………………………..71
4.2.1 Langage Python…………………………………………………………….71
4.2.2 PyCharm……………………………………………………………………71
4.3 Les Benchmarks de Test……………………………………………………...72
ix
4.3.1 Benchmark du Club de Karaté Zachary………………………………….72
4.3.2 Benchmark d’Albert Barabasi Model…………………………………….72
4.4 Format du fichier……………………………………………………………..72
4.5 Interfaces de notre application de détection de communauté…………..…74
4.5.1 Interface d’accueil………………………………………………………….74
4.5.2 Principe de fonctionnement de l’application……………………………..75
4.5.2.1 Détection de communautés partitionnées…………………………...76
4.5.2.2 Détection et analyse de communautés recouvrantes………………...81
4.6 Conclusion……………………………………………………………………..84
Conclusion générale………………………………………………………………85
Bibliographie……………………………………………………………………...86Côte titre : MAI/0295 En ligne : https://drive.google.com/file/d/1h8tFrJ5pOSHjoIpKRj3dNDcit8Ql2XGD/view?usp=shari [...] Format de la ressource électronique : Détection de Communauté dans Les Réseaux Sociaux [texte imprimé] / Belarbi,Ahmed Karim, Auteur ; Toumi,Lyazid, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (86 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Détection de communautés
Réseaux sociauxIndex. décimale : 004 - Informatique Résumé : La capacité d’analyser les grands réseaux pour détecter les sous-ensembles de sommets plus densément connectés que d’autres, peut nous aider à comprendre et à visualiser la structure de ces réseaux. Les sous-ensembles appelé communautés.
La détection des communautés est appliquée dans des déférents domaines diversifiés tels que la sociologie, l’informatique, l’ingénierie et la biologie.
De fait, il s’agit de déterminer des classes dans un graphe. De nombreuses approches ont été proposées pour découvrir les structures de communautés dans les réseaux. Ces approches sont pour la plupart dédiées pour détecter les communautés disjointes. En biologie, où nous analysons les réseaux d’interactions protéine-protéine pour, entre autres, prédire leurs fonctions, nombreuses sont celles qui ont plusieurs fonctions et dans ce cas il est raisonnable de construire non pas une partition, mais un recouvrement, c’est à dire un système de classes chevauchantes. Il en est de même dans les réseaux sociaux, où les individus peuvent appartenir à plusieurs groupes.
On s'intéresse sur les méthodes de construction d’une partition des sommets du graphe qui maximisent un certain critère. Parmi les nombreux critères qui évaluent la qualité d’une partition, nous ne faisons ici référence qu’à la notion de modularité introduite par Newman. Malheureusement, son optimisation sur l’ensemble de toutes les partitions des sommets d’un graphe est un problème NP-difficile ; il en est évidemment de même pour les recouvrements. Il faut donc utiliser des méthodes heuristiques, dès lors que les graphes étudiés sont de grande taille. Dans ce mémoire, nous proposons deux méthodes approchées, l’une pour les partitions, ce qui permet d’optimiser la modularité (VOS Clustering) basée sur l'algorithme de Louvain, qui est actuellement le meilleur algorithme en termes de complexité, d’efficacité pour calculer des communautés sur de très grands graphes. L’autre pour les recouvrements, Elle est basée sur la première approche pour le nombre de communautés défini pour détecter les communautés chevauchantes, c’est l’algorithme FCM (Fuzzy C-Means).
Nous avons mis en place une évaluation de nos méthodes, après avoir les testés sur des différents benchmarks de graphes réels. Et nous avons présenté les résultats qui sont jugés satisfaisants après les comparés à ceux de la littérature.Note de contenu : Sommaire
Dédicaces…………………………………………………………………………..ii
Remerciements………………………………………………………………..…..iii
Résumé……………………………………………..……………………………...iv
Table des matières…………………………………………………………….…..vi
Table de figures……………………………………………………………….…...x
Introduction Générale………………………….…………..……...………….…..13
1. Contexte générale……………………………………………………….13
2. Problématique et objectif de l’étude…………………………………….14
3. Contribution……………………………………………………………..14
4. Organisation du mémoire……………………………………...….……..14
Chapitre 1 : Notations et définitions
1.1 Introduction…………………….……………………………………..….…….……17
1.2 Réseau social………………….….………..…………………………….……...……17
1.3 Modélisation par les graphes………………………………………..…..…….…….18
1.4 Concepts…………….…………..……………………………………….…......….….19
1.4.1 Notion relative au graphe……………………..……………………….……...….19
1.5 Mesures de centralités……………………………………………...…..….…………23
1.5.1 Degré de centralité…………….....…………………………………...………....23
1.5.2 Centralité intermédiarité………………………..……………………....……….24
1.6 Modularité………………………………………………………………..…..………24
1.7 Graphe de terrain……………………………………………………….…..……….26
1.8 Communauté…………………………………………………………….……..…….26
1.9 Détection de communautés……………..……………………………………….…..27
vii
1.10 Analyse des réseaux sociaux……………………………………………………….28
1.11 Intérêt de la détection de communautés et ses applications……………….…….29
1.12 Conclusion…………………………...………………………………….…………..30
Chapitre 2 : Etat de l'art
2.1 Introduction………………………………………………………….………….32
2.2 Les approches de détection de communauté……………………………………32
2.2.1 Les approches statistiques sans recouvrements……………….…………32
2.2.1.1 Les approches hiérarchiques………………………………..……….33
2.2.1.1.1 Approche Hiérarchique Ascendantes…………….………34
2.2.1.1.2 Approche Hiérarchique Descendantes…….………..…….37
2.2.1.2 Partitionnement non hiérarchique…………………………..………41
2.2.1.2.1 Centre mobiles……………………………………..………41
2.2.1.2.2 Nuées dynamiques………………………………….……..42
2.2.1.3 Approches utilisant des marches aléatoires………………….……..42
2.2.1.4 Approches spectrales…………………………………………..…...44
2.2.2 Les approches statistiques avec recouvrement…………….………..…45
2.2.2.1 Approches basées sur des cliques………………………………..…46
2.2.2.2 Approches basé sur la propagation de labels………………….…....48
2.2.2.3 Approches basées sur des graines………………………….…….....51
2.3 Les approches dynamiques………………………………………………..52
2.3.1 Approches par détections statiques successives……………………….54
2.3.2 Les approches par détections statiques informées successives……….56
2.4 Conclusion…………………………………………………………..……..59
viii
Chapitre 3 : Contribution Et Algorithmes Etudiés
3.1 Introduction………………………………………………………………….61
3.2 Détection communautés avec la méthode VOS Clustering……………….61
3.2.1 Méthode de Louvain…………………………………………………61
3.2.1.1 Avantage……………………………………………………………..61
3.2.1.2 Inconvénient…………………………………………………….…...62
3.2.1.3 Exemple de détection de communautés pour des réseaux sociaux…...62
3.2.2 Vos Clustering…………………………………………………..……..63
3.2.2.1 Avantage……………………………………………………..………63
3.2.2.2 inconvénients………………………………………………..……….64
3.3 Détection les recouvrements avec la méthode de Fuzzy C-means……….…64
3.3.1 Avantages………………………………………………………………..…..65
3.3.2 Inconvénients……………………………………………………………..…65
3.4 Contribution…………………………………………………………………..65
3.4.1 Distance et métriques……………………………………………..………...66
3.4.1.1 Notion de distance………………………………………….………..66
3.4.1.2 Quelques types de distance………………………………….……….66
3.4.1.3 Similarité…………………………………………………….………68
3.5 Conclusion………………………………………………………………..……69
Chapitre 4 : Évaluation et Expérimentation.
4.1 Introduction…………………………………………………………………...71
4.2 Les langages utilisés et les outils d'implémentations………………………..71
4.2.1 Langage Python…………………………………………………………….71
4.2.2 PyCharm……………………………………………………………………71
4.3 Les Benchmarks de Test……………………………………………………...72
ix
4.3.1 Benchmark du Club de Karaté Zachary………………………………….72
4.3.2 Benchmark d’Albert Barabasi Model…………………………………….72
4.4 Format du fichier……………………………………………………………..72
4.5 Interfaces de notre application de détection de communauté…………..…74
4.5.1 Interface d’accueil………………………………………………………….74
4.5.2 Principe de fonctionnement de l’application……………………………..75
4.5.2.1 Détection de communautés partitionnées…………………………...76
4.5.2.2 Détection et analyse de communautés recouvrantes………………...81
4.6 Conclusion……………………………………………………………………..84
Conclusion générale………………………………………………………………85
Bibliographie……………………………………………………………………...86Côte titre : MAI/0295 En ligne : https://drive.google.com/file/d/1h8tFrJ5pOSHjoIpKRj3dNDcit8Ql2XGD/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0295 MAI/0295 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Detection de communautes dans les reseaux dynamiques Type de document : texte imprimé Auteurs : Douadi, Asma, Auteur ; Kamel, Nadjet, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (51 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Détection de communautés
Réseaux dynamiques
Réseaux temporels
Evolution des commnautésIndex. décimale : 004 Informatique Résumé : Résumé
Plusieurs études ont montré que les réseaux modélisant des phénomènes du monde réel sont caractérisés par des propriétés remarquables : ils sont organisés en fonction de la structure de la communauté et cette dernière évolue avec le temps. De nombreux chercheurs ont travaillé sur des méthodes permettant de dévoiler efficacement des sous-structures dans les réseaux, donnant naissance au domaine de la détection de communauté. Les réseaux dynamiques peuvent être utilisés pour modéliser l'évolution d'un système : les noeuds et les arêtes sont mutables et leur présence, ou leur absence, a un impact profond sur la structure de la communauté qui les compose.
Dans le cadre de ce mémoire nous présentons une nouvelle méthode de détection de communautés dans les réseaux dynamiques. Contrairement aux méthodes traditionnelles, qui recalcule toute la décomposition de la communauté après chaque modification du réseau, notre méthode prend en compte l’historique des communautés et met à jour la solution en fonction des modifications du réseau via un processus de propagation de labels locaux, qui affecte généralement une petite partie du réseau. L'efficacité de notre algorithme a été testée sur des réseaux réels, ce qui montre qu'elle peut identifier et suivre avec succès les communautés dynamiques. De plus, il peut détecter des communautés de bonne qualité par rapport à d'autres méthodes.Note de contenu : Sommaire
INTRODUCTION GENERALE ...................................................................................... 1
CHAPITRE 1 : LA DETECTION DE COMMUNAUTES DANS LES RESEAUX DYNAMIQUES
1.1. Introduction ......................................................................................................... 3
1.2. Notions relatives aux graphes ............................................................................. 3
1.3. Centralité d’intermédiarité des liens (edge betweenness) ................................... 6
1.4. Modélisation par les graphes .............................................................................. 6
1.4.1. Réseaux sociaux .......................................................................................... 7
1.4.2. Réseaux d'information ................................................................................. 8
1.4.3. Réseaux biologiques .................................................................................... 8
1.5. Graphe de terrain ................................................................................................ 8
1.6. Réseaux dynamique ............................................................................................ 9
1.7. Définitions d’une communauté ........................................................................... 9
1.8. Généralités sur la détection de communautés ................................................... 12
1.8.1. Partitionnement de graphe ......................................................................... 12
1.8.2. Regroupement hiérarchique ....................................................................... 13
1.8.3. Détection de communautés ........................................................................ 14
1.9. Conclusion ........................................................................................................ 15
CHAPITRE 2 : ETAT DE L'ART
2.1. Introduction ....................................................................................................... 16
2.2. Approches de détection de communautés statiques .......................................... 16
2.3. Approches de détection de communautés dynamiques .................................... 22
2.3.1. Approches par détections statiques successives (Independent Community Detections and Matching) ........................................................................................ 22
2.3.2. Approches par détections statiques informées successives (Informed Iterative Community Detections) ............................................................................. 26
2.3.3. Approches par étude simultanée de toutes les étapes d’évolution (Global Community Detection on All Snapshots) ................... 28
2.3.4. Approches travaillant sur des réseaux temporels (Dynamic Community Detection on Temporal Networks) .................. 30
2.4. Conclusion ........................................................................... 32
CHAPITRE 3 : CONCEPTION ET IMPLEMENTATION
3.1. Introduction ................................................................... 33
3.2. Noeud infecté ..................................................................................................... 33
3.3. Propagation de labels ........................................................................................ 33
3.4. Mise à jour des communautés ........................................................................... 34
3.5. Conclusion ........................................................................................................ 41
CHAPITRE 4 : EXPERIMENTATIONS ET RESULTATS
4.1. Introduction ....................................................................................................... 42
4.2. Mesures de qualité ............................................................................................ 42
4.2.1. La Modularité ............................................................................................ 42
4.2.2. La mesure de l’information mutuelle normalisée (The Normalized Mutual Information measure NMI) ........ 43
4.3. Expérimentations sur réseaux statique .............................................................. 43
4.3.1. Championnat de football d’Angleterre ...................................................... 44
4.3.2. Les députés au Royaume-Uni .................................................................... 44
4.3.3. Cercles sociaux : Facebook ....................................................................... 45
4.4. Expérimentations sur réseau dynamique .......................................................... 47
Systèmes autonomes – Oregon1 .............................................................................. 47
4.5. Conclusion ........................................................................................................ 49
CONCLUSION GENERALE ........................................................................................ 50
BIBLIOGRAPHIE ......................................................................................................... 51
Côte titre : MAI/0254 En ligne : https://drive.google.com/file/d/1iH57LsqZShgSRhNiIyTYtFihLH33wssG/view?usp=shari [...] Format de la ressource électronique : Detection de communautes dans les reseaux dynamiques [texte imprimé] / Douadi, Asma, Auteur ; Kamel, Nadjet, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (51 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Détection de communautés
Réseaux dynamiques
Réseaux temporels
Evolution des commnautésIndex. décimale : 004 Informatique Résumé : Résumé
Plusieurs études ont montré que les réseaux modélisant des phénomènes du monde réel sont caractérisés par des propriétés remarquables : ils sont organisés en fonction de la structure de la communauté et cette dernière évolue avec le temps. De nombreux chercheurs ont travaillé sur des méthodes permettant de dévoiler efficacement des sous-structures dans les réseaux, donnant naissance au domaine de la détection de communauté. Les réseaux dynamiques peuvent être utilisés pour modéliser l'évolution d'un système : les noeuds et les arêtes sont mutables et leur présence, ou leur absence, a un impact profond sur la structure de la communauté qui les compose.
Dans le cadre de ce mémoire nous présentons une nouvelle méthode de détection de communautés dans les réseaux dynamiques. Contrairement aux méthodes traditionnelles, qui recalcule toute la décomposition de la communauté après chaque modification du réseau, notre méthode prend en compte l’historique des communautés et met à jour la solution en fonction des modifications du réseau via un processus de propagation de labels locaux, qui affecte généralement une petite partie du réseau. L'efficacité de notre algorithme a été testée sur des réseaux réels, ce qui montre qu'elle peut identifier et suivre avec succès les communautés dynamiques. De plus, il peut détecter des communautés de bonne qualité par rapport à d'autres méthodes.Note de contenu : Sommaire
INTRODUCTION GENERALE ...................................................................................... 1
CHAPITRE 1 : LA DETECTION DE COMMUNAUTES DANS LES RESEAUX DYNAMIQUES
1.1. Introduction ......................................................................................................... 3
1.2. Notions relatives aux graphes ............................................................................. 3
1.3. Centralité d’intermédiarité des liens (edge betweenness) ................................... 6
1.4. Modélisation par les graphes .............................................................................. 6
1.4.1. Réseaux sociaux .......................................................................................... 7
1.4.2. Réseaux d'information ................................................................................. 8
1.4.3. Réseaux biologiques .................................................................................... 8
1.5. Graphe de terrain ................................................................................................ 8
1.6. Réseaux dynamique ............................................................................................ 9
1.7. Définitions d’une communauté ........................................................................... 9
1.8. Généralités sur la détection de communautés ................................................... 12
1.8.1. Partitionnement de graphe ......................................................................... 12
1.8.2. Regroupement hiérarchique ....................................................................... 13
1.8.3. Détection de communautés ........................................................................ 14
1.9. Conclusion ........................................................................................................ 15
CHAPITRE 2 : ETAT DE L'ART
2.1. Introduction ....................................................................................................... 16
2.2. Approches de détection de communautés statiques .......................................... 16
2.3. Approches de détection de communautés dynamiques .................................... 22
2.3.1. Approches par détections statiques successives (Independent Community Detections and Matching) ........................................................................................ 22
2.3.2. Approches par détections statiques informées successives (Informed Iterative Community Detections) ............................................................................. 26
2.3.3. Approches par étude simultanée de toutes les étapes d’évolution (Global Community Detection on All Snapshots) ................... 28
2.3.4. Approches travaillant sur des réseaux temporels (Dynamic Community Detection on Temporal Networks) .................. 30
2.4. Conclusion ........................................................................... 32
CHAPITRE 3 : CONCEPTION ET IMPLEMENTATION
3.1. Introduction ................................................................... 33
3.2. Noeud infecté ..................................................................................................... 33
3.3. Propagation de labels ........................................................................................ 33
3.4. Mise à jour des communautés ........................................................................... 34
3.5. Conclusion ........................................................................................................ 41
CHAPITRE 4 : EXPERIMENTATIONS ET RESULTATS
4.1. Introduction ....................................................................................................... 42
4.2. Mesures de qualité ............................................................................................ 42
4.2.1. La Modularité ............................................................................................ 42
4.2.2. La mesure de l’information mutuelle normalisée (The Normalized Mutual Information measure NMI) ........ 43
4.3. Expérimentations sur réseaux statique .............................................................. 43
4.3.1. Championnat de football d’Angleterre ...................................................... 44
4.3.2. Les députés au Royaume-Uni .................................................................... 44
4.3.3. Cercles sociaux : Facebook ....................................................................... 45
4.4. Expérimentations sur réseau dynamique .......................................................... 47
Systèmes autonomes – Oregon1 .............................................................................. 47
4.5. Conclusion ........................................................................................................ 49
CONCLUSION GENERALE ........................................................................................ 50
BIBLIOGRAPHIE ......................................................................................................... 51
Côte titre : MAI/0254 En ligne : https://drive.google.com/file/d/1iH57LsqZShgSRhNiIyTYtFihLH33wssG/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0254 MAI/0254 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Détection de Fake News en Arabe : Une approche à base de Deep Learning Type de document : texte imprimé Auteurs : Ikram Boudjeloud, Auteur ; Narimen Souha Benharkat, Auteur ; Abdelaziz Lakhfif, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2023 Importance : 1 vol (79 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Fausses nouvelles
BERTIndex. décimale : 004 Informatique Résumé : Les fausses nouvelles (fake news) se produisent lorsque des opinions, des histoires, des escroqueries ou des rumeurs sont créés pour ressembler à des actualités ou des informations légitimes. Ils sont présentés de manière à induire délibérément en erreur, tromper et désinformer les gens. Pour faire face à ce fléau, nombreux chercheurs se sont concentré ces dernières années à la détection de ces fausses nouvelles en utilisant des méthodes de traitement du langage naturel et d’algorithmes d’apprentissage automatique et d’apprentissage profond dans divers langues existantes. La détection des fausses nouvelles en anglais possède la plus grande part des études, contrairement à la détection des fausses nouvelles en Arabe, qui est encore très limité.
Ce mémoire se concentre sur la détection de fausses nouvelles en Arabe, en se basant sur les nouvelles approches, tel que les approches basées sur les Transformers. Les Transformers sont une architecture de modèles de réseau de neurones largement utilisée dans le domaine du traitement du langage naturel (NLP) et de l'apprentissage automatique. Le modèle « BERT » qui utilise l’architecture des Transformers est le plus connue. Il a été appliqué avec succès à de nombreuses tâches de traitement du langage naturel, face à son efficacité, plusieurs modèles ont été inspiré par BERT pour le traitement du langage arabe, tel que le modèle AraBERT. Plusieurs recherches ont montré que l'AraBERT nouvellement développé atteignait des performances de pointe sur la plupart des tâches de NLP en arabe testées. A cet effet, dans notre projet, nous utilisons le modèle AraBERT dans notre approche afin de détecter les fausses nouvelles textuelles arabes collectées dans deux ensembles de données (ANS et Covid19 Hybrid Dataset). Nous montrons nos résultats des expérimentations après avoir effectué plusieurs prétraitements, puis nous comparons les résultats obtenus. Enfin nous clôturons avec une conclusion finale.Côte titre : MAI/0723 En ligne : https://drive.google.com/file/d/1SZVzBa1qDUjyQ7Xn0D9yUzZM-ZBKAAl-/view?usp=drive [...] Format de la ressource électronique : Détection de Fake News en Arabe : Une approche à base de Deep Learning [texte imprimé] / Ikram Boudjeloud, Auteur ; Narimen Souha Benharkat, Auteur ; Abdelaziz Lakhfif, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2023 . - 1 vol (79 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Fausses nouvelles
BERTIndex. décimale : 004 Informatique Résumé : Les fausses nouvelles (fake news) se produisent lorsque des opinions, des histoires, des escroqueries ou des rumeurs sont créés pour ressembler à des actualités ou des informations légitimes. Ils sont présentés de manière à induire délibérément en erreur, tromper et désinformer les gens. Pour faire face à ce fléau, nombreux chercheurs se sont concentré ces dernières années à la détection de ces fausses nouvelles en utilisant des méthodes de traitement du langage naturel et d’algorithmes d’apprentissage automatique et d’apprentissage profond dans divers langues existantes. La détection des fausses nouvelles en anglais possède la plus grande part des études, contrairement à la détection des fausses nouvelles en Arabe, qui est encore très limité.
Ce mémoire se concentre sur la détection de fausses nouvelles en Arabe, en se basant sur les nouvelles approches, tel que les approches basées sur les Transformers. Les Transformers sont une architecture de modèles de réseau de neurones largement utilisée dans le domaine du traitement du langage naturel (NLP) et de l'apprentissage automatique. Le modèle « BERT » qui utilise l’architecture des Transformers est le plus connue. Il a été appliqué avec succès à de nombreuses tâches de traitement du langage naturel, face à son efficacité, plusieurs modèles ont été inspiré par BERT pour le traitement du langage arabe, tel que le modèle AraBERT. Plusieurs recherches ont montré que l'AraBERT nouvellement développé atteignait des performances de pointe sur la plupart des tâches de NLP en arabe testées. A cet effet, dans notre projet, nous utilisons le modèle AraBERT dans notre approche afin de détecter les fausses nouvelles textuelles arabes collectées dans deux ensembles de données (ANS et Covid19 Hybrid Dataset). Nous montrons nos résultats des expérimentations après avoir effectué plusieurs prétraitements, puis nous comparons les résultats obtenus. Enfin nous clôturons avec une conclusion finale.Côte titre : MAI/0723 En ligne : https://drive.google.com/file/d/1SZVzBa1qDUjyQ7Xn0D9yUzZM-ZBKAAl-/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0723 MAI/0723 Mémoire Bibliothéque des sciences Français Disponible
DisponibleDétection de l'Intensité des Emotions dans les Tweets / Dahel, Sami
Titre : Détection de l'Intensité des Emotions dans les Tweets Type de document : texte imprimé Auteurs : Dahel, Sami, Auteur ; Lakhfif ,Abdelaziz, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (38 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Algorithmes d’apprentissage
Classification automatique
Fouille d'opinionIndex. décimale : 004 Informatique Résumé :
Notre mémoire sur la fouille d’opinion et l'analyse de sentiment. Il est l'un des domaines de recherche les plus actifs actuellement, il a pour but d'analyser les sentiments des gens, des attitudes, des émotions sur twitter. La classification est une activité importante dans le domaine de fouille d’opinion pour cela, je représente un approches connues pour effectuer une classification automatique de textes d’opinion avec quatre algorithmes knn, regression linear, naive bayes et les arbres de décision. Le but de ce travail est de connaitre les sources informationnelles en repérant d’abord les phrases porteuses d’opinion, de détecter la subjectivité puis d’attribuer une polarité (positive, négative ou neutre)à l’opinion,et comparer les résultats d’évaluation dans différents algorithmes d’apprentissage.Note de contenu :
Sommaire
Résumé ....................................................................................................................................... i
Liste des tableaux : ................................................................................................................. vii
Introduction général : ............................................................................................................. 1
CahpitreI
1.1 Analyse de sentiment : ....................................................................................................... 3
1.2 Niveaux d'étude : ................................................................................................................ 3
1.3 Composantes de sentiment : ............................................................................................. 4
1.4 Technique d'analyse des sentiments: ................................................................................ 4
1.4.1 Apprentissage automatique : ................................................................................ 4
1.4.2 Le méthode lexique : ............................................................................................. 6
1.4.3 Méthodes hybrides : ............................................................................................
1.5 Analyse de sentiment et le commerce : ............................................................................
1.6 Analyse de sentiment et politique : ................................................................................... 8
1.7 Analyse de sentiment et publicité en ligne : .....................................................................
ChapitreII
2.1 Définition : .......................................................................................................................
2.2 Le développement des réseaux sociaux : .......................................................................... 9
2.3 L'impact des réseaux sociaux dans notre vie: ................................................................ 10
2.3.1 Impact des médias sociaux sur l'éducation .......................................................... 10
2.3.2 Impact sur le business : .......................................................................................
2.3.3 Impact des médias sociaux sur la société: ........................................................... 11
2.3.4. Impact des médias sociaux sur les jeunes : ......................................................... 12
2.4 Les avantages et les inconvénients de réseaux sociaux : .............................................. 12
2.4.1 Avantages: .......................................................................................................... 12
2.4.2 Inconvénients: .................................................................................................... 13
2.5 Twitter : ............................................................................................................................. 13
2.5.1 Présentation de twitter : ..................................................................................... 13
2.5.2 Eléments de twitter: ........................................................................................... 14
2.5.3 L'impact de twitter dans notre vie : .................................................................... 15
2.5.3.1. Outils de communication ............................................................................. 15
2.5.3.2. Outils d'information .................................................................................... 15
iv
2.5.3.3. Outils de rapprochement ............................................................................. 15
2.5.3.4. Des outils de partage : ................................................................................. 15
2.5.3.5. Des outils valorisants : ................................................................................. 15
2.5.3.6. Des outils relationnels : ............................................................................... 16
2.5.3.7. Un remède à la solitude : ............................................................................. 16
2.5.4. Les inconvénients de Twitter: ............................................................................. 16
2.5.4.1. L'intimidation : ............................................................................................ 16
2.5.4.2. La vengeance : ................................................................................................ 16
2.5.4.3. La vie professionnelle : .................................................................................... 16
ChapitreIII
3.1 Data mining : ................................................................................................................... 17
3.2 description data mining : ............................................................................................... 17
3.3 Noms alternatifs et leurs histoires intérieures: .............................................................. 17
3.4 types de données applique le data mining ...................................................................... 18
3.5 Fouille de Texte (Text Mining) : ..................................................................................... 18
3.5.1. le text mining : ................................................................................................... 18
3.5.2 L’utilité du text mining : ...................................................................................... 18
3.6 Modèle de processus DM : ............................................................................................... 19
3.7 Techniques du Data mining: ........................................................................................... 20
3.8 Fouille de texte et fouille de données : ............................................................................ 21
ChapitreIV
4.1 Twitter api : ...................................................................................................................... 22
4.2 Domaines d'application de l'API : .................................................................................. 22
4.3 Création d'une application twitter : ............................................................................... 22
4.4 Environnement logiciel : .................................................................................................. 25
4.4.1 Le Jupyter : ......................................................................................................... 25
4.5 Langage de programmation: ........................................................................................... 26
4.5.1 Python : .............................................................................................................. 26
4.5.2 Bibliothèques : ................................................................................................... 26
4.6 Connexion python avec twitter : .................................................................................... 27
4.7 analyse les commentaires : .............................................................................................. 27
4.8 Présentation des donner : ................................................................................................ 28
4.9 Pré traitement : ................................................................................................................. 28
4.10 Représentation : .............................................................................................................. 30
4.11 Expérimentation : ........................................................................................................... 31
4.12 Résultats : ........................................................................................................................ 32
4.13. Discutions résultat : ....................................................................................................... 36
Conclusion général : ............................................................................................................... 38
BibliographieCôte titre : MAI/0219 Détection de l'Intensité des Emotions dans les Tweets [texte imprimé] / Dahel, Sami, Auteur ; Lakhfif ,Abdelaziz, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (38 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Algorithmes d’apprentissage
Classification automatique
Fouille d'opinionIndex. décimale : 004 Informatique Résumé :
Notre mémoire sur la fouille d’opinion et l'analyse de sentiment. Il est l'un des domaines de recherche les plus actifs actuellement, il a pour but d'analyser les sentiments des gens, des attitudes, des émotions sur twitter. La classification est une activité importante dans le domaine de fouille d’opinion pour cela, je représente un approches connues pour effectuer une classification automatique de textes d’opinion avec quatre algorithmes knn, regression linear, naive bayes et les arbres de décision. Le but de ce travail est de connaitre les sources informationnelles en repérant d’abord les phrases porteuses d’opinion, de détecter la subjectivité puis d’attribuer une polarité (positive, négative ou neutre)à l’opinion,et comparer les résultats d’évaluation dans différents algorithmes d’apprentissage.Note de contenu :
Sommaire
Résumé ....................................................................................................................................... i
Liste des tableaux : ................................................................................................................. vii
Introduction général : ............................................................................................................. 1
CahpitreI
1.1 Analyse de sentiment : ....................................................................................................... 3
1.2 Niveaux d'étude : ................................................................................................................ 3
1.3 Composantes de sentiment : ............................................................................................. 4
1.4 Technique d'analyse des sentiments: ................................................................................ 4
1.4.1 Apprentissage automatique : ................................................................................ 4
1.4.2 Le méthode lexique : ............................................................................................. 6
1.4.3 Méthodes hybrides : ............................................................................................
1.5 Analyse de sentiment et le commerce : ............................................................................
1.6 Analyse de sentiment et politique : ................................................................................... 8
1.7 Analyse de sentiment et publicité en ligne : .....................................................................
ChapitreII
2.1 Définition : .......................................................................................................................
2.2 Le développement des réseaux sociaux : .......................................................................... 9
2.3 L'impact des réseaux sociaux dans notre vie: ................................................................ 10
2.3.1 Impact des médias sociaux sur l'éducation .......................................................... 10
2.3.2 Impact sur le business : .......................................................................................
2.3.3 Impact des médias sociaux sur la société: ........................................................... 11
2.3.4. Impact des médias sociaux sur les jeunes : ......................................................... 12
2.4 Les avantages et les inconvénients de réseaux sociaux : .............................................. 12
2.4.1 Avantages: .......................................................................................................... 12
2.4.2 Inconvénients: .................................................................................................... 13
2.5 Twitter : ............................................................................................................................. 13
2.5.1 Présentation de twitter : ..................................................................................... 13
2.5.2 Eléments de twitter: ........................................................................................... 14
2.5.3 L'impact de twitter dans notre vie : .................................................................... 15
2.5.3.1. Outils de communication ............................................................................. 15
2.5.3.2. Outils d'information .................................................................................... 15
iv
2.5.3.3. Outils de rapprochement ............................................................................. 15
2.5.3.4. Des outils de partage : ................................................................................. 15
2.5.3.5. Des outils valorisants : ................................................................................. 15
2.5.3.6. Des outils relationnels : ............................................................................... 16
2.5.3.7. Un remède à la solitude : ............................................................................. 16
2.5.4. Les inconvénients de Twitter: ............................................................................. 16
2.5.4.1. L'intimidation : ............................................................................................ 16
2.5.4.2. La vengeance : ................................................................................................ 16
2.5.4.3. La vie professionnelle : .................................................................................... 16
ChapitreIII
3.1 Data mining : ................................................................................................................... 17
3.2 description data mining : ............................................................................................... 17
3.3 Noms alternatifs et leurs histoires intérieures: .............................................................. 17
3.4 types de données applique le data mining ...................................................................... 18
3.5 Fouille de Texte (Text Mining) : ..................................................................................... 18
3.5.1. le text mining : ................................................................................................... 18
3.5.2 L’utilité du text mining : ...................................................................................... 18
3.6 Modèle de processus DM : ............................................................................................... 19
3.7 Techniques du Data mining: ........................................................................................... 20
3.8 Fouille de texte et fouille de données : ............................................................................ 21
ChapitreIV
4.1 Twitter api : ...................................................................................................................... 22
4.2 Domaines d'application de l'API : .................................................................................. 22
4.3 Création d'une application twitter : ............................................................................... 22
4.4 Environnement logiciel : .................................................................................................. 25
4.4.1 Le Jupyter : ......................................................................................................... 25
4.5 Langage de programmation: ........................................................................................... 26
4.5.1 Python : .............................................................................................................. 26
4.5.2 Bibliothèques : ................................................................................................... 26
4.6 Connexion python avec twitter : .................................................................................... 27
4.7 analyse les commentaires : .............................................................................................. 27
4.8 Présentation des donner : ................................................................................................ 28
4.9 Pré traitement : ................................................................................................................. 28
4.10 Représentation : .............................................................................................................. 30
4.11 Expérimentation : ........................................................................................................... 31
4.12 Résultats : ........................................................................................................................ 32
4.13. Discutions résultat : ....................................................................................................... 36
Conclusion général : ............................................................................................................... 38
BibliographieCôte titre : MAI/0219 Exemplaires
Code-barres Cote Support Localisation Section Disponibilité aucun exemplaire
Titre : Détection de l'Intensité des Emotions dans les Tweets Type de document : texte imprimé Auteurs : Dahel, Sami, Auteur ; Lakhfif ,Abdelaziz, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (38 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Algorithmes d’apprentissage
Classification automatique
Fouille d'opinionIndex. décimale : 004 - Informatique Résumé : Résumé
Notre mémoire sur la fouille d’opinion et l'analyse de sentiment. Il est l'un des domaines de recherche les plus actifs actuellement, il a pour but d'analyser les sentiments des gens, des attitudes, des émotions sur twitter. La classification est une activité importante dans le domaine de fouille d’opinion pour cela, je représente un approches connues pour effectuer une classification automatique de textes d’opinion avec quatre algorithmes knn, regression linear, naive bayes et les arbres de décision. Le but de ce travail est de connaitre les sources informationnelles en repérant d’abord les phrases porteuses d’opinion, de détecter la subjectivité puis d’attribuer une polarité (positive, négative ou neutre)à l’opinion,et comparer les résultats d’évaluation dans différents algorithmes d’apprentissage.Note de contenu : Sommaire
Résumé ....................................................................................................................................... i
Liste des tableaux : ................................................................................................................. vii
Introduction général : ............................................................................................................. 1
CahpitreI
1.1 Analyse de sentiment : ....................................................................................................... 3
1.2 Niveaux d'étude : ................................................................................................................ 3
1.3 Composantes de sentiment : ............................................................................................. 4
1.4 Technique d'analyse des sentiments: ................................................................................ 4
1.4.1 Apprentissage automatique : ................................................................................ 4
1.4.2 Le méthode lexique : ............................................................................................. 6
1.4.3 Méthodes hybrides : ............................................................................................
1.5 Analyse de sentiment et le commerce : ............................................................................
1.6 Analyse de sentiment et politique : ................................................................................... 8
1.7 Analyse de sentiment et publicité en ligne : .....................................................................
ChapitreII
2.1 Définition : .......................................................................................................................
2.2 Le développement des réseaux sociaux : .......................................................................... 9
2.3 L'impact des réseaux sociaux dans notre vie: ................................................................ 10
2.3.1 Impact des médias sociaux sur l'éducation .......................................................... 10
2.3.2 Impact sur le business : .......................................................................................
2.3.3 Impact des médias sociaux sur la société: ........................................................... 11
2.3.4. Impact des médias sociaux sur les jeunes : ......................................................... 12
2.4 Les avantages et les inconvénients de réseaux sociaux : .............................................. 12
2.4.1 Avantages: .......................................................................................................... 12
2.4.2 Inconvénients: .................................................................................................... 13
2.5 Twitter : ............................................................................................................................. 13
2.5.1 Présentation de twitter : ..................................................................................... 13
2.5.2 Eléments de twitter: ........................................................................................... 14
2.5.3 L'impact de twitter dans notre vie : .................................................................... 15
2.5.3.1. Outils de communication ............................................................................. 15
2.5.3.2. Outils d'information .................................................................................... 15
2.5.3.3. Outils de rapprochement ............................................................................. 15
2.5.3.4. Des outils de partage : ................................................................................. 15
2.5.3.5. Des outils valorisants : ................................................................................. 15
2.5.3.6. Des outils relationnels : ............................................................................... 16
2.5.3.7. Un remède à la solitude : ............................................................................. 16
2.5.4. Les inconvénients de Twitter: ............................................................................. 16
2.5.4.1. L'intimidation : ............................................................................................ 16
2.5.4.2. La vengeance : ................................................................................................ 16
2.5.4.3. La vie professionnelle : .................................................................................... 16
ChapitreIII
3.1 Data mining : ................................................................................................................... 17
3.2 description data mining : ............................................................................................... 17
3.3 Noms alternatifs et leurs histoires intérieures: .............................................................. 17
3.4 types de données applique le data mining ...................................................................... 18
3.5 Fouille de Texte (Text Mining) : ..................................................................................... 18
3.5.1. le text mining : ................................................................................................... 18
3.5.2 L’utilité du text mining : ...................................................................................... 18
3.6 Modèle de processus DM : ............................................................................................... 19
3.7 Techniques du Data mining: ........................................................................................... 20
3.8 Fouille de texte et fouille de données : ............................................................................ 21
ChapitreIV
4.1 Twitter api : ...................................................................................................................... 22
4.2 Domaines d'application de l'API : .................................................................................. 22
4.3 Création d'une application twitter : ............................................................................... 22
4.4 Environnement logiciel : .................................................................................................. 25
4.4.1 Le Jupyter : ......................................................................................................... 25
4.5 Langage de programmation: ........................................................................................... 26
4.5.1 Python : .............................................................................................................. 26
4.5.2 Bibliothèques : ................................................................................................... 26
4.6 Connexion python avec twitter : .................................................................................... 27
4.7 analyse les commentaires : .............................................................................................. 27
4.8 Présentation des donner : ................................................................................................ 28
4.9 Pré traitement : ................................................................................................................. 28
4.10 Représentation : .............................................................................................................. 30
4.11 Expérimentation : ........................................................................................................... 31
4.12 Résultats : ........................................................................................................................ 32
4.13. Discutions résultat : ....................................................................................................... 36
Conclusion général : ............................................................................................................... 38
BibliographieCôte titre : MAI/0219 En ligne : https://drive.google.com/file/d/14YJtlkvooSN_EsgOiIXC2Q2xrz6yivbR/view?usp=shari [...] Format de la ressource électronique : Détection de l'Intensité des Emotions dans les Tweets [texte imprimé] / Dahel, Sami, Auteur ; Lakhfif ,Abdelaziz, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (38 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Algorithmes d’apprentissage
Classification automatique
Fouille d'opinionIndex. décimale : 004 - Informatique Résumé : Résumé
Notre mémoire sur la fouille d’opinion et l'analyse de sentiment. Il est l'un des domaines de recherche les plus actifs actuellement, il a pour but d'analyser les sentiments des gens, des attitudes, des émotions sur twitter. La classification est une activité importante dans le domaine de fouille d’opinion pour cela, je représente un approches connues pour effectuer une classification automatique de textes d’opinion avec quatre algorithmes knn, regression linear, naive bayes et les arbres de décision. Le but de ce travail est de connaitre les sources informationnelles en repérant d’abord les phrases porteuses d’opinion, de détecter la subjectivité puis d’attribuer une polarité (positive, négative ou neutre)à l’opinion,et comparer les résultats d’évaluation dans différents algorithmes d’apprentissage.Note de contenu : Sommaire
Résumé ....................................................................................................................................... i
Liste des tableaux : ................................................................................................................. vii
Introduction général : ............................................................................................................. 1
CahpitreI
1.1 Analyse de sentiment : ....................................................................................................... 3
1.2 Niveaux d'étude : ................................................................................................................ 3
1.3 Composantes de sentiment : ............................................................................................. 4
1.4 Technique d'analyse des sentiments: ................................................................................ 4
1.4.1 Apprentissage automatique : ................................................................................ 4
1.4.2 Le méthode lexique : ............................................................................................. 6
1.4.3 Méthodes hybrides : ............................................................................................
1.5 Analyse de sentiment et le commerce : ............................................................................
1.6 Analyse de sentiment et politique : ................................................................................... 8
1.7 Analyse de sentiment et publicité en ligne : .....................................................................
ChapitreII
2.1 Définition : .......................................................................................................................
2.2 Le développement des réseaux sociaux : .......................................................................... 9
2.3 L'impact des réseaux sociaux dans notre vie: ................................................................ 10
2.3.1 Impact des médias sociaux sur l'éducation .......................................................... 10
2.3.2 Impact sur le business : .......................................................................................
2.3.3 Impact des médias sociaux sur la société: ........................................................... 11
2.3.4. Impact des médias sociaux sur les jeunes : ......................................................... 12
2.4 Les avantages et les inconvénients de réseaux sociaux : .............................................. 12
2.4.1 Avantages: .......................................................................................................... 12
2.4.2 Inconvénients: .................................................................................................... 13
2.5 Twitter : ............................................................................................................................. 13
2.5.1 Présentation de twitter : ..................................................................................... 13
2.5.2 Eléments de twitter: ........................................................................................... 14
2.5.3 L'impact de twitter dans notre vie : .................................................................... 15
2.5.3.1. Outils de communication ............................................................................. 15
2.5.3.2. Outils d'information .................................................................................... 15
2.5.3.3. Outils de rapprochement ............................................................................. 15
2.5.3.4. Des outils de partage : ................................................................................. 15
2.5.3.5. Des outils valorisants : ................................................................................. 15
2.5.3.6. Des outils relationnels : ............................................................................... 16
2.5.3.7. Un remède à la solitude : ............................................................................. 16
2.5.4. Les inconvénients de Twitter: ............................................................................. 16
2.5.4.1. L'intimidation : ............................................................................................ 16
2.5.4.2. La vengeance : ................................................................................................ 16
2.5.4.3. La vie professionnelle : .................................................................................... 16
ChapitreIII
3.1 Data mining : ................................................................................................................... 17
3.2 description data mining : ............................................................................................... 17
3.3 Noms alternatifs et leurs histoires intérieures: .............................................................. 17
3.4 types de données applique le data mining ...................................................................... 18
3.5 Fouille de Texte (Text Mining) : ..................................................................................... 18
3.5.1. le text mining : ................................................................................................... 18
3.5.2 L’utilité du text mining : ...................................................................................... 18
3.6 Modèle de processus DM : ............................................................................................... 19
3.7 Techniques du Data mining: ........................................................................................... 20
3.8 Fouille de texte et fouille de données : ............................................................................ 21
ChapitreIV
4.1 Twitter api : ...................................................................................................................... 22
4.2 Domaines d'application de l'API : .................................................................................. 22
4.3 Création d'une application twitter : ............................................................................... 22
4.4 Environnement logiciel : .................................................................................................. 25
4.4.1 Le Jupyter : ......................................................................................................... 25
4.5 Langage de programmation: ........................................................................................... 26
4.5.1 Python : .............................................................................................................. 26
4.5.2 Bibliothèques : ................................................................................................... 26
4.6 Connexion python avec twitter : .................................................................................... 27
4.7 analyse les commentaires : .............................................................................................. 27
4.8 Présentation des donner : ................................................................................................ 28
4.9 Pré traitement : ................................................................................................................. 28
4.10 Représentation : .............................................................................................................. 30
4.11 Expérimentation : ........................................................................................................... 31
4.12 Résultats : ........................................................................................................................ 32
4.13. Discutions résultat : ....................................................................................................... 36
Conclusion général : ............................................................................................................... 38
BibliographieCôte titre : MAI/0219 En ligne : https://drive.google.com/file/d/14YJtlkvooSN_EsgOiIXC2Q2xrz6yivbR/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0219 MAI/0219 Mémoire Bibliothéque des sciences Français Disponible
DisponiblePermalinkDétection des maladies des palmiers par l’utilisation des techniques d’intelligence artificielle / Souhila Bakouche
PermalinkDétection d'objet (piétons) basée sur HOG / Khaled Beddar
PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkDétermination d'un facteur d'intérêt d'un véhicule dans l'internet des véhicules / Zier,abdelhak
Permalink