ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique

APPEL À
CONTRIBUTION
Masses de données hétérogènes
En savoir plus >>
Autres revues >>

Revue d'Intelligence Artificielle

0992-499X
Revue des Sciences et Technologies de l'Information
 

 ARTICLE VOL 28/2-3 - 2014  - pp.349-374  - doi:10.3166/ria.28.349-374
TITRE
Détection unifiée de communautés

TITLE
Unified community detection

RÉSUMÉ
Le classement d’entités est à la base de la production de nouvelles connaissances que ce soit pour identifier des concepts, ou bien pour propager des propriétés aux membres d’une classe. De très nombreuses méthodes de classification ont vu le jour. Les méthodes récentes de recherche de communautés dans les réseaux sociaux apportent un nouvel éclairage à ce champ de recherche. Dans un premier temps les travaux ont porté sur la détection de communautés partitionnées dans les graphes unipartis. À l’inverse, tant la détection de communautés dans les graphes bipartis que le recouvrement de communautés dans les deux types de graphes ont été beaucoup moins explorés. Partant des graphes bipartis nous proposons une méthode simple et originale qui unifie la détection de communautés partitionnées et leur recouvrement dans les graphes bipartis, les graphes unipartis et les graphes orientés. Des expériences sont montrées sur des jeux de données connus et ensuite appliquées à des données réelles : un ensemble de photos sur Facebook et des données de tractographie cérébrale humaine. Cette dernière application permet d’appliquer les méthodes de détection de communautés à d’autres champs de recherche tels que l’analyse de données avec des performances originales et améliorées.


ABSTRACT
Entity classification is the basis for the production of new knowledge whatsoever to identify concepts, or to propagate properties to members of a class. Numerous classification methods have emerged. Recent methods to extract communities in social networks provide new methods in this field. At first reasearch works focused on partitioned community detection in unipartite graphs. Conversely detecting communities in bipartite graphs and community overlaping in both types of graphs have been much less explored. Using bipartite graphs, we propose in this paper a simple and original method that unifies partitioned and overlaping community detection methods in bipartite graphs, unipartite graphs and directed graphs. Experiences are done on some well-known benchmarks and then applied to real data: photos and tags in Facebook and Human Brain Tractography data. This last application is an example of applying community detection methods to other fields such as data analysis with original enhanced performances.


AUTEUR(S)
Michel CRAMPES, Michel PLANTIÉ

MOTS-CLÉS
réseaux sociaux, détection de communautés, recouvrement de communautés

KEYWORDS
social networks, community detection, community overlaping

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 7.5 €
• Non abonné : 15.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (1,75 Mo)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier