Nous nous int´eressons dans notre travail `a l’adaptation dans un contexte social, ce qui `a ´
et´e d´etaill´ee dans les sections pr´ec´edentes. Afin de mieux comprendre ce contexte sociale, nous d´etaillons dans cette section, quelques notions relatives aux r´eseaux sociaux.
La premi`ere personne `a avoir repr´esent´e un r´eseau social est Jacob Levy Moreno au d´ebut des ann´ees 1930. Son objectif ´etant de visualiser graphiquement un r´eseau social, il a repr´esent´e les personnes par des points et une relation entre deux personnes par des fl`eches. Cette repr´esentation est depuis d´esign´ee par le terme sociogramme. Mais on parlait ´egalement de toiles en raison de leur aspect en toile d’araign´ee. Cette forme de visualisation fut un premier outil d’identification rapide des caract´eristiques d’un r´eseau social.
1.5.1 Repr´esentation
Les math´ematiciens ont fait le rapprochement entre les repr´esentations sociogrammes et la th´eorie des graphes au sens math´ematique. Le graphe est devenu par la suite la repr´esentation adopt´ee par toutes les sciences manipulant l’analyse des r´eseaux sociaux, dont la sociologie, les math´ematiques et l’informatique.
Un r´eseau social est souvent repr´esent´e sous forme de graphe. Ce dernier est compos´e de nœuds (sommets) qui d´ecrivent les personnes et les liens (arˆetes) qui d´ecrivent les connexions/relations sociales entre ces personnes.
Un graphe sert `a identifier les personnes selon diff´erents crit`eres `a savoir : les personnes les plus reli´ees entre elles, les amis explicites d’un utilisateur ou mˆeme les personnes partageant des caract´eristiques en communs. Dans ce contexte, il existe des travaux qui visent `a analyser certains types de r´eseau. Nous nous focalisons sur les communaut´es
(centr´es sur un ensemble d’utilisateurs) et les r´eseaux ´egocentriques (centr´es sur un seul utilisateur).
1.5.1.1 Les communaut´es
L’analyse d’un r´eseau social peut ˆetre centr´ee sur un ensemble d’utilisateurs ayant des caract´eristiques en commun. Cet ensemble d’utilisateurs est appel´e communaut´e. Le probl`eme de la d´etection de communaut´es dans les r´eseaux sociaux est un sujet relative- ment r´ecent, mais qui a tr`es rapidement conduit `a une grande quantit´e de travaux. La d´etection des communaut´es est un champ d’´etude assez vaste. Une ´etude assez d´etaill´e est pr´esent´e dans [Cazabet, 2013]. Nous nous focalisons sur quelques aspects qui per- mettront la compr´ehension des m´ethodes utilis´ees dans nos contributions.
Ce champ d’´etude est g´en´eralement divis´e en deux cat´egories : la d´etection des commu- naut´es statiques et dynamiques. Les communaut´es statiques, ne changent pas au cours du temps et les communaut´es dynamiques ´evoluent au cours du temps.
Les communaut´es statiques peuvent ˆetre simples `a d´etecter [Cazabet,2013]. Cependant, dans les r´eseaux `a grande ´echelle (ou bien r´eseau de terrain) comme les r´eseaux sociaux, les r´eseaux biologiques, etc., la d´etection de communaut´es n’est pas toujours efficace. En effet, les communaut´es statiques ne peuvent pas g´erer l’´evolution de ces r´eseaux. Les communaut´es dynamiques ont donc ´et´e introduites afin de g´erer l’´evolution des ces r´eseaux par la prise en compte des liens et de nœuds qui se cr´eent ou qui disparaissent. Parmi les outils d´etectant les communaut´es dynamiques, iLCD [Cazabet, 2013] s’av`ere efficace et simple `a manipuler. Il est adapt´e au traitement des r´eseaux temporels (les r´eseaux dynamiques). Un exemple de communaut´es g´en´er´ees par cet algorithme, dans un r´eseau de citation, est repr´esent´e par la figure1.11. Le jeu de donn´ees utilis´e est constitu´e de tous les articles publi´es dans le journal JASSS (Journal of Artificial Societies and So- cial Simulation) entre 1998 et 2008, citant au moins un autre article paru dans JASSS. Les noeuds repr´esentent des articles et les liens des citations entre ces articles.
L’analyse d’une communaut´e permet de d´etecter les utilisateurs partageant des crit`eres en commun (par exemple citant le mˆeme article, consultant la mˆeme page web, partagent la mˆeme URL, etc.) et donc de r´eduire le spectre d’analyse dans les r´eseaux `a grande ´
echelle.
Figure 1.11: Repr´esentation de communaut´es par l’algorithme de iLCD [Cazabet, 2013]
ces personnes dites ”proches” et leur influence sur le processus d’adaptation est d´etaill´ee dans2.2.2.1.
1.5.1.2 Les r´eseaux ´egocentriques
L’analyse d’un r´eseau social peut ˆetre centr´ee sur un utilisateur, on parle alors d’analyse ´
ego-centr´ee. Un r´eseau ´egocentrique (ou r´eseau personnel) utilis´e dans l’analyse ´ego- centr´ee d´esigne un sous r´eseau constitu´e uniquement par un individu et l’ensemble de ses liens directs dans le graphe entier. Dans un r´eseau ´egocentrique, l’individu central du r´eseau est appel´e ´ego (illustr´e en bleu dans la figure1.12) et chacune de ses relations est un alter (illustr´e en gris fonc´e dans la figure 1.12).
Ces r´eseaux ont montr´e leur efficacit´e `a d´eriver des profils utilisateurs pertinents et `a surmonter le probl`eme de d´emarrage `a froid (le probl`eme des nouveaux utilisateurs, dont leur profils sont encore vides) [Tchuente et al.,2013], `a d´ecouvrir de nouveaux attributs
Figure 1.12: Repr´esentation de r´eseau ´egocentrique
d’un profil utilisateur `a partir de son r´eseau ´egocentrique [Li et al., 2014b] et aussi `a ´
etudier la nature des relations et leur influence sur l’utilisateur [Newman,2003].
De plus, l’analyse d’un r´eseau ´egocentrique permet de s´electionner seulement les amis explicites (amis explicitement connect´es avec l’utilisateur) d’un utilisateur et donc de r´eduire le spectre d’analyse dans les r´eseaux `a grande ´echelle. Une ´etude `a ´et´e men´ee dans [Canut et al., 2015] pour comparer l’influence de la base de donn´ees `a d´eriver les int´erˆets de l’utilisateur `a partir de son r´eseau ´egocentrique.
1.5.2 Acc`es aux donn´ees des r´eseaux sociaux
Avec la popularit´e des r´eseaux sociaux, les analyses sont de plus en plus fr´equentes et n´ecessitent la collecte des donn´ees du r´eseau `a savoir les donn´ees sur les utilisateurs (les informations personnelles, les amis, etc.), les ressources (le type, la date de cr´eation, la popularit´e, etc.), les interactions dans ces r´eseaux (le partage des ressources, les tags, les commentaires, etc.).
Selon le type du r´eseau, il est possible d’extraire des donn´ees de diff´erents mani`eres, `a savoir :
– R´eseaux d’int´erˆet : Ces r´eseaux sont cr´e´es `a partir de forums et impliquant les uti- lisateurs et leurs sujets d’int´erˆet. Par projection, ce r´eseau peut ensuite ˆetre utilis´e pour g´en´erer un r´eseau d’utilisateurs, dans lequel deux utilisateurs sont connect´es s’ils partagent les mˆemes sujets d’int´erˆet.
– R´eseaux de blogs : Les articles publi´es sur les blogs font souvent r´ef´erence `a d’autres blogs par le biais des liens hypertextes. Ces informations peuvent ˆetre utilis´ees pour g´en´erer des r´eseaux de blogs connectant deux blogs quand l’un fait r´ef´erence `a l’autre. – R´eseaux d’amiti´e : `A l’origine, les sites communautaires tels que Facebook, Twitter, Google+, Delicious ou Flickr, permettaient d’obtenir des informations sur les liens d’amiti´e ou de connaissance entretenus par les individus. Aujourd’hui, face `a la di- versit´e d’information pr´esente sur ces sites (individu, entreprise, parti politique, ar- tiste, produit, ´ev`enement, etc.), nous observons que la s´emantique du lien s’assimile d´esormais `a ”porter un int´erˆet `a”.
– R´eseaux de co-auteurs : Le cas le plus r´epandu concerne les bases de donn´ees d’articles scientifiques. Par exemple, en utilisant les donn´ees issues de DBLP, un r´eseau de co- auteurs peut ˆetre obtenu, dans lequel deux auteurs sont connect´es s’ils ont collabore sur un mˆeme article.
L’acc`es aux donn´ees des r´eseaux sociaux, permet d’analyser les diff´erentes caract´eristiques relatives aux informations pr´esentes. Les analyses peuvent ˆetre orient´ees vers l’adapta- tion de l’information `a l’utilisateur. Ceci peut ˆetre effectu´e `a travers une technique de recommandation d´etaill´ee dans la section suivante.