University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Douadi,hasna |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
A deep learning Method for analyzing the spread of information in online social networks / Douadi,hasna
Titre : A deep learning Method for analyzing the spread of information in online social networks Type de document : texte imprimé Auteurs : Douadi,hasna, Auteur ; Drif, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (93 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Cascades indépendantes
Seuil
Processus de diffusion
Pression sociale
Réseaux sociaux
Recommandation d'informationIndex. décimale : 004 Informatique Résumé :
Conclusion générale
La modélisation des processus de diffusion dans les réseaux sociaux touche plusieurs domaines. Il peut s’agir de la diffusion de virus dans une population, de l’adoption de nouveaux produits par des clients potentiels, ou de la diffusion de contenus entre des utilisateurs. La plupart des modèles proposés jusqu’à présent décrivent le processus de diffusion en fonction de la topologie du réseau : une propagation ne peut avoir lieu entre deux individus que s’ils sont liés. Dans le contexte de la diffusion d’information, ces modèles mettent cependant de côté un certain nombre de paramètres importants tels que :
- le contenu de l’information diffusée.
- les goûts des utilisateurs, leurs thématiques d’intérêt.
- l’activité de l’utilisateur et son rôle social.
Afin de pallier à ce problème, nous avons présenté dans cette thèse un modèle de prédiction de diffusion de l’information basé sur les techniques de l’apprentissage profond dans les réseaux sociaux qui permet de voir évoluer l’état (diffusion et non diffusion) des utilisateurs d’un réseau au cours du temps.
Les différents travaux tout au long de cette thèse nous ont permis d’enrichir nos connaissances concernant les points suivants :
• Collecte des données via les API twitter.
• Appliquer les méthodes du processus d’extraction des connaissances ( ECD) sur notre ensemble de données recueilli.
• Découvrir de nouveaux outils d’analyse des réseaux sociaux.
• Se familiariser avec les modèles de deep Learning.
• Pouvoir modéliser un modèle RNN pour la prédiction de la diffusion de l’information dans les réseaux sociaux.
• Maitriser l’implémentation et le test des modèles d’apprentissage profond en R et en Python.
Nous avons présenté un modèle de prédiction de diffusion de l’information dans les réseaux sociaux qui permet de voir évoluer l’état (diffusion et non diffusion) des utilisateurs d’un réseau au cours du temps. Dans un premier temps, nous avons défini les composantes
de ce modèle. Nous avons vu que selon les valeurs des paramètres, nous pouvons améliorer les performances d’apprentissage de notre modèle RNN.
Dans le futur, nous envisageons d’étudier ce phénomène de la diffusion de l’information sur un grand ensemble de données. C’est intéressant aussi d’étudier ce phénomène sur un autre type de réseaux sociaux pour confirmer nos résultats obtenus.
Côte titre : MAI/0235 A deep learning Method for analyzing the spread of information in online social networks [texte imprimé] / Douadi,hasna, Auteur ; Drif, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (93 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Cascades indépendantes
Seuil
Processus de diffusion
Pression sociale
Réseaux sociaux
Recommandation d'informationIndex. décimale : 004 Informatique Résumé :
Conclusion générale
La modélisation des processus de diffusion dans les réseaux sociaux touche plusieurs domaines. Il peut s’agir de la diffusion de virus dans une population, de l’adoption de nouveaux produits par des clients potentiels, ou de la diffusion de contenus entre des utilisateurs. La plupart des modèles proposés jusqu’à présent décrivent le processus de diffusion en fonction de la topologie du réseau : une propagation ne peut avoir lieu entre deux individus que s’ils sont liés. Dans le contexte de la diffusion d’information, ces modèles mettent cependant de côté un certain nombre de paramètres importants tels que :
- le contenu de l’information diffusée.
- les goûts des utilisateurs, leurs thématiques d’intérêt.
- l’activité de l’utilisateur et son rôle social.
Afin de pallier à ce problème, nous avons présenté dans cette thèse un modèle de prédiction de diffusion de l’information basé sur les techniques de l’apprentissage profond dans les réseaux sociaux qui permet de voir évoluer l’état (diffusion et non diffusion) des utilisateurs d’un réseau au cours du temps.
Les différents travaux tout au long de cette thèse nous ont permis d’enrichir nos connaissances concernant les points suivants :
• Collecte des données via les API twitter.
• Appliquer les méthodes du processus d’extraction des connaissances ( ECD) sur notre ensemble de données recueilli.
• Découvrir de nouveaux outils d’analyse des réseaux sociaux.
• Se familiariser avec les modèles de deep Learning.
• Pouvoir modéliser un modèle RNN pour la prédiction de la diffusion de l’information dans les réseaux sociaux.
• Maitriser l’implémentation et le test des modèles d’apprentissage profond en R et en Python.
Nous avons présenté un modèle de prédiction de diffusion de l’information dans les réseaux sociaux qui permet de voir évoluer l’état (diffusion et non diffusion) des utilisateurs d’un réseau au cours du temps. Dans un premier temps, nous avons défini les composantes
de ce modèle. Nous avons vu que selon les valeurs des paramètres, nous pouvons améliorer les performances d’apprentissage de notre modèle RNN.
Dans le futur, nous envisageons d’étudier ce phénomène de la diffusion de l’information sur un grand ensemble de données. C’est intéressant aussi d’étudier ce phénomène sur un autre type de réseaux sociaux pour confirmer nos résultats obtenus.
Côte titre : MAI/0235 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0235 MAI/0235 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible