Détection des communautés dans les réseaux sociaux dynamiques : une approche multi-agents

Community detection in dynamic social network : Multi-agent approach

• Auteur / Autrice : Hédia Zardi
• Direction : Lotfi Ben Romdhane, Zahia Guessoum
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 09/03/2016
• Etablissement(s) : Paris 6 en cotutelle avec École Nationale des Sciences de l'Informatique (La Manouba, Tunisie)
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : LIP6 (1997-....)
• Jury : Examinateurs / Examinatrices : Béchir El Ayeb, René Mandiau, Christophe Cambier, Francis Rousseaux
• Jury : Rapporteurs / Rapporteuses : Hamamache Kheddouci, Nicolas Jouandeau

Mots clés

Mots clés contrôlés

Communication

Réseaux sociaux

Mots clés libres

Détection des communautés

Réseaux sociaux dynamiques

Evolution de communautés

Système multi-Agents

Homophilie

Communication

Community detection

Dynamic social networks

Multi-agent system

Résumé

L’analyse des réseaux sociaux a conduit à la découverte d’une propriété très intéressante : ces réseaux se caractérisent par l’existence de zones de forte densité constituées d’éléments fortement connectés entre eux. Ces zones appelées "communautés", évoluent au cours du temps suivant la dynamique des acteurs sociaux et de leurs interactions. L’identification de ces communautés offre un éclairage intéressant sur la structure du réseau et permet de suivre leur évolution au fil du temps. Bien que ce problème ait donné lieu à de très nombreux travaux ces dernières années, la détection des communautés dynamiques reste encore un problème ouvert et aucune solution entièrement satisfaisante n’est encore proposée. Dans ce travail, nous proposons une approche multi-agents pour la détection des communautés dans les réseaux sociaux dynamiques. Les entités de notre approche observent l’évolution du réseau, et en conséquence, elles adaptent en temps réel le graphe représentant le réseau et elles engendrent les modifications adéquates sur les communautés précédemment détectées. Cette approche permet de modéliser le réseau par un graphe dynamique qui s’adapte en fonction l’évolution observée dans le réseau. Pour cette modélisation, plusieurs aspects du réseau sont intégrés : la structure topologique du graphe, la similarité sémantiques des membres sociaux et la communication entre eux. Cette modélisation se base sur le concept d’homophilie et sur une stigmergie à base des phéromones. Afin d’étudier les performances de l’approche proposée, nous l’avons appliquée sur un ensemble très varié de graphes réels et artificiels. Les résultats ont été suffisamment satisfaisants et montrent la bonne performance de notre modèle.

Analysis of social networks has led to the discovery of a very interesting property : these networks are characterized by the existence of areas with high density composed of highly interconnected elements. These areas called "communities", evolve over time according to the dynamic of social members and their interactions. The identification of these communities offers an interesting light on the network structure and it allows to track their progress over time. Although this problem has been the subject of numerous studies in recent years, the detection of dynamic communities remains an open problem and no fully satisfactory solution has yet been proposed. In this work, we propose a multi-agent approach for the detection of communities in dynamic social networks. The entities of our approach observe the evolution of the network and consequently they adapt in real time the graph representing the network and they generate the appropriate changes on previously identified communities. This approach allows to model the network by a graph that dynamically adapts according to the evolution of the network. For this modeling, several network’s aspects are integrated: the topological structure of the graph, the semantic similarity of social members and the communication between them. This modeling is based on the concept of homophily and a pheromone based stigmergy. In order to study the performances of the proposed approach, we applied it to a divers set of real and artificial graphs. The results were satisfactory enough and show the good performance of our model.