Réseau social anonyme de confiance dédié aux applications communautaires du futur : une approche guidée par le capital social

Trusted Anonymous Social Network Dedicated to Community Applications of the Future : A Social Capital Driven Approach

• Auteur / Autrice : Chayma Sellami
• Direction : Allel Hadjali, Stéphane Jean, Mickaël Baron, Mounir Bechchi
• Type : Thèse de doctorat
• Discipline(s) : Informatique et applications
• Date : Soutenance le 12/12/2022
• Etablissement(s) : Chasseneuil-du-Poitou, Ecole nationale supérieure de mécanique et d'aérotechnique
• Ecole(s) doctorale(s) : École doctorale Sciences et Ingénierie des Systèmes, Mathématiques, Informatique (Limoges ; 2018-2022)
• Partenaire(s) de recherche : Entreprise : O°code
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique et d'Automatique pour les Systèmes / LIAS
• Jury : Examinateurs / Examinatrices : Djamal Benslimane, Slimane Hammoudi
• Jury : Rapporteurs / Rapporteuses : Salima Benbernou, Richard Chbeir

Mots clés

Mots clés contrôlés

Systèmes de recommandation (informatique)

Statistique bayésienne

Réseaux sociaux (Internet)

Réseaux anonymes (informatique)

Processus décisionnels de Markov relationnels

Logique floue

Intelligence computationnelle

Identité numérique

Confiance numérique

Apprentissage par renforcement (intelligence artificielle)

Mots clés libres

Capital social

Anonymat

Social capital

Anonimity

Résumé

De nos jours, les réseaux sociaux constituent un élément essentiel de la vie des personnes du monde entier. Le World Wide Web est le principal outil utilisé pour partager des informations et interagir avec d'autres personnes via Internet. Pour s'adapter à l'évolution du Web, les techniques de recherche d'information ont dû intégrer des aspects sociaux et axés sur l'utilisateur et son comportement. Parmi ces techniques, on parle dans ce travail des systèmes de recommandation.En effet, la majorité de ces réseaux et systèmes n’offrent pas de réelles garanties sur le respect de la vie privée des utilisateurs (c’est-à-dire, ils collectent des données d’identités des consommateurs). Ce travail de thèse s’inscrit dans le cadre de la famille des réseaux dits « anonymes » où l’anonymat des utilisateurs est complètement respecté (non-collecte des informations liées à leurs identités). On peut donc se demander comment les utilisateurs peuvent se faire confiance et se fier aux informations fournies par ces systèmes tout en étant anonymes ? Il est donc essentiel d’instaurer un modèle confiance au sein du réseau social. Plusieurs travaux de recherche ont été menés pour développer des réseaux sociaux et des systèmes de recommandation à base de confiance. Ces systèmes utilisent des relations de confiance entre les utilisateurs pour prédire les évaluations de confiance en fonction des expériences et des commentaires.Bien que l'exploitation de ces relations d'interaction soit souvent efficace pour améliorer les résultats fournis par les systèmes de recommandation, on peut néanmoins noter quelques problèmes. Le premier concerne la nature statique de certains systèmes de recommandation et qui ne s’adaptent donc pas aux changements des comportements des utilisateurs. Le deuxième problème concerne la modélisation de la confiance. Ce concept est utilisé dans plusieurs domaines, cependant, une définition uniforme et consensuelle de ce concept n’existe pas. Le troisième problème a trait à la variation des modèles computationnels dans les systèmes à base de confiance. En fait, les interactions entre les utilisateurs génèrent des nouvelles données ce qui peut mener un utilisateur à changer son comportement et ses activités dans le système. Ce qui va créer des variations dans les profils utilisateurs. Certains utilisateurs ont des comportements corrects dans le système, d'autres peuvent faire des activités malveillantes. D'autres utilisateurs font confiance rapidement, d'autres sont méfiants à l’égard des inconnus, etc. Tous ces comportements doivent conduire à un (re)calcul de la valeur de la confiance selon différents modèles computationnels.Dans le cadre de cette thèse, dans un premier temps, un travail sur les systèmes de recommandation a été réalisé afin de trouver une solution pour la nature statique de ces systèmes. Cette solution utilise des techniques issues de l’apprentissage par renforcement. Dans un second temps, nous avons proposé un cadre unifié de gestion de la confiance tant au niveau sémantique qu’au niveau calculatoire. Une analyse approfondie pour comprendre l'intuition derrière chaque modèle computationnel a également été introduite. Enfin, la question de la sélection d’un modèle computationnel le plus approprié, selon la nature des besoins des utilisateurs, a aussi été abordée.

Today, social networking is an essential part of the lives of people around the world. The WorldWide Web is the primary tool used to share information and interact with others via the Internet.To adapt to the evolution of the Web, information retrieval techniques have had to incorporate social and user-centered aspects and behavior. Among these techniques, we talk in this work about recommendation systems.However, the majority of these networks and systems do not offer real guarantees on the respect of the users’ privacy (i.e., they collect consumers’ identity data). This thesis is part of the family of so-called ”anonymous” networks where the anonymity of users is completely respected (no collection of information related to their identities). We can therefore ask ourselves how users can trust and rely on the information provided by these systems while being anonymous? It is therefore essential to establish a trust model within the social network. Several research works have been conducted to develop trust-based social networks and recommendation systems. These systems use trust relationships between users to predict trust ratings based on experiences and comments. Although the exploitation of these interaction relationships is often effective in improving the results provided by recommender systems, there are a few problems that can be noted. The first one concerns the static nature of some recommender systems, which do not adapt to changes in user behavior. The second problem concerns the modeling of trust. This concept is used in several domains, however, a uniform and consensual definition of this concept does not exist. The third problem relates to the variation of computational models in trust-based systems. In fact, interactions between users generate new data which can lead a user to change his behavior and activities in the system. This will create variations in user profiles. Some users behave correctly in the system, others may do malicious activities. Other users are quick to trust, others are suspicious of strangers, etc. All these behaviors must lead to a (re)calculation of the value of trust according to different computational models. In the context of this thesis, in a first step, a work on recommender systems has been done in order to find a solution for the static nature of these systems. This solution uses techniques from reinforcement learning. In a second step, we proposed a unified framework for trust management at both the semantic and computational levels. An in-depth analysis to understand the intuition behind each computational model has also been introduced. Finally, the issue of selecting the most appropriate computational model, depending on the nature of the users’ needs, has also been addressed.