CORPUS REPLAB 2014 111

Il contient ´egalement les 600 derniers identifiants des tweets de chaque utilisateur au moment de l’analyse. Ces tweets peuvent ˆetre ´ecrits en anglais ou en espagnol. L’ensemble de donn ´ees est accessible au public⁴.

Afin d’ ´evaluer notre approche sur l’ensemble de donn ´ees RepLab, nous devons choisir les relations qui seront prises en compte dans l’estimation, mais l’ensemble de donn ´ees RepLab ne fournit pas ce type d’information. Nous avons seulement les noms des utilisa-teurs avec pour chacun d’entre eux 600 identifiants de leurs tweets. Donc, nous devions d’abord rassembler les informations n ´ecessaires sur ces tweets, pour cela, nous avons utilis ´e Twurl⁵, un outil qui permet de collecter des informations sur les donn ´ees des tweets `a partir de l’API Twitter. Cependant, l’API Twitter limite la collecte `a 180 tweets par 15 minutes. Il a fallu donc 174 jours pour collecter les informations sur tous les tweets. Les relations que nous pouvons extraire des informations collect ´ees sont : le retweets, le favori et l’abonnement. Le tableau6.15montre les param `etres de l’ensemble de donn ´ees utilis ´ees.

TABLE6.15 – Param `etres du jeu de donn ´ees RepLab 2014

Nombre de tweets 5 040 000

Nombre de comptes 8 400

Nombre de liens 78 997 702

Nombre de retweets 20 922 694

Nombres de favoris 7 441 174

Nombre d’abonn ´es 50 633 834

6.4.2/ APPLICATION DE TwitBelief ET DISCUSSION

Nous pr ´esentons maintenant nos exp ´eriences sur le corpus RepLab. L’initialisation des masses est pr ´esent ´ee comme suit :

Retweet ÞÑ # m_{retweetpT.Faibleq “ 0.55 ¨ 10}^´3 mretweetpΩq “ 1 ´ 0.55 ¨ 10´3 Favori ÞÑ # m_{favoripT.Faibleq “ 0.45 ¨ 10}^´3 mfavoripΩq “ 1 ´ 0.45 ¨ 10´3 Abonn ´e ÞÑ #

m_{abonn ´e}pT.Faibleq “ 0.2 ¨ 10^´3 mabonn ´epΩq “ 1 ´ 0.2 ¨ 10´3

La masse la plus importante est donn ´ee `a la relation retweet car nous croyons que cette relation est un bon indicateur d’influence. Comme l’a montr ´e [Cha et al., 2010], la relation abonn ´e est un indicateur de popularit ´e, or les utilisateurs populaires ne sont pas n ´ecessairement les plus influents. Nous ne lui accordons donc pas une masse de croyance tr `es importante. La relation Favori est un indicateur d’influence assez important

4. http://nlp.uned.es/replab2014/

112 CHAPITRE 6. ´ETUDE EXP ´ERIMENTALE

aussi, c’est pour cela que nous lui avons attribu ´e une masse de croyance plus importante que celle de la relation Abonn ´e.

Un des d ´efis de RepLab peut ˆetre vue comme un probl `eme de classification binaire, consistant `a d ´ecider si un utilisateur est influent ou non. Dans notre approche, les degr ´es d’influence sont repr ´esent ´es par huit classes (allant de T.Faible jusqu’ `a E.Forte), ainsi pour pouvoir comparer notre approche avec l’influence r ´eelle donn ´ee par Replab, nous consid ´erons que les utilisateurs ayant des degr ´es d’influence en dessous de T.Forte sont non influents, et ceux ayant le degr ´e T.Forte et plus sont consid ´er ´es comme influents. Lorsque nous avons appliqu ´e TwitBelief sur l’ensemble de donn ´ees Replab, nous avons constat ´e que notre approche d ´etecte 1184 utilisateurs parmi les 1563 utilisateurs influents (75,75%) ainsi que 3416 parmi les 4337 utilisateurs non influents (78,76%). Le tableau6.16

pr ´esente les valeurs de la pr ´ecision, le rappel et le F-score (voir l’ ´equation5.1 dans le chapitre5) . Ces r ´esultats sont assez satisfaisants et montrent que TwitBelief est pr ´ecis et performant.

TABLE6.16 – R ´esultats de F-score de TwitBelief sur les donn ´ees Replab

Pr ´ecision Rappel F-score

.739 .770 .754

Le tableau6.17montre la comparaison des r ´esultats de F-mesure entre TwitBelief et des recherches qui utilisent les donn ´ees REPLAB 2014. Afin d’ ´etudier le niveau d’influence des utilisateurs, [Ram´ırez-de-la Rosa et al., 2014] utilisent un ensemble de crit `eres tels que l’ ˆage du compte Twitter, le contenu des tweets (medias, urls, auto-mentions), le nombre de retweets, etc. Les r ´esultats indiquent qu’il est possible d’identifier automati-quement les utilisateurs influents et d’obtenir des r ´esultats int ´eressants (F-score 0, 694). [Cossu et al., 2015] obtiennent une meilleure mesure de F-score (0, 781) en exploitant le contenu des tweets et les donn ´ees externes tels que les recherches du compte sur le Web. Partant de l’hypoth `ese que les utilisateurs influents ont tendance `a utiliser des termes sp ´ecifiques dans leurs tweets, [Cossu et al., 2016] obtiennent la meilleure mesure de F-score (0, 792) en utilisant l’aspect lexical du contenu des tweets et se concentrent sur les occurrences des termes dans les tweets. Avec la valeur de F-score de 0, 754 TwitBelief, se place en 3 `eme position et est l ´eg `erement inf ´erieur aux deux premi `eres mesures obtenues

`a partir des m ´ethodes de l’ ´etat de l’art.

TABLE6.17 – Tableau de comparaison des r ´esultats de F-score

F-score

Cossu et al. [Cossu et al., 2016] .792

Cossu et al. [Cossu et al., 2015] .781

TwitBelief .754

Ram´ırez et al. [Ram´ırez-de-la Rosa et al., 2014] .694

Ce r ´esultat peut s’expliquer par diff ´erentes raisons, tout d’abord, lors de la phase d’en-richissement des donn ´ees Replab, nous avons constat ´e que 36% des tweets ont ´et ´e supprim ´es, ainsi, les informations sur ces tweets n’ ´etant plus disponibles cela peut biaiser

6.5. CONCLUSION 113

les r ´esultats. Un aspect positif de nos r ´esultats est que les utilisateurs ayant la majorit ´e ou tous leurs tweets supprim ´es ont ´et ´e assign ´es `a la classeΩ, ce qui signifie que notre approche est capable d’exprimer correctement son ignorance sur le degr ´e d’influence des utilisateurs sur lesquels il n’a pas assez d’informations. Une autre raison pour laquelle le F-score de TwitBelief est inf ´erieur aux deux autres est que nous ne consid ´erons pas le domaine ´etudi ´e, en effet notre approche d ´etecte les utilisateurs influents dans le r ´eseau quel que soit le domaine ´etudi ´e, beaucoup d’utilisateurs consid ´er ´es comme influents par notre approche ne le sont pas par Replab car l’influence est d ´etermin ´ee par rapport `a deux domaines (Banque et Automobile). Lorsque nous avons ´etudi ´e manuellement ces comptes, nous avons constat ´e que ces comptes semblent ˆetre influents dans la vie r ´eelle mais ne sont pas influents dans les domaines ´etudi ´es.

6.5/ C

ONCLUSION

Dans ce chapitre, nous avons exp ´eriment ´e TwitBelief sur des donn ´ees r ´eelles collect ´ees sur le r ´eseau Twitter dans les contextes du projet TEE’2014 et de la pr ´esidentielle franc¸aise de 2017 ainsi que pour le challenge Replab 2014. Les exp ´eriences montrent que la combinaison de relations sous incertitude conduit `a des r ´esultats assez int ´eressants. Dans le premier jeu de donn ´ees TEE’2014, les r ´esultats ont ´et ´e valid ´es par les sociologues du projet. Concernant les r ´esultats sur la pr ´esidentielle de 2017, les r ´esultats sont corr ´el ´es avec le r ´esultat du vote. Quand au troisi `eme jeu de donn ´ees, le F-score (0, 754) montre que la classification `a travers TwitBelief est int ´eressante.

Des perspectives int ´eressantes ´emergent pour renforcer davantage TwitBelief. Nous les d ´etaillons dans le chapitre suivant.

III

CONCLUSION

7

CONCLUSION GEN´ ERALE´

Pour conclure ce manuscrit, nous pr ´esenterons un bilan des travaux que nous avons pr ´esent ´es puis nous terminerons par une description des perspectives de recherche.

7.1/ B

ILAN

Cette th `ese s’inscrit dans le domaine de l’analyse de donn ´ees issues des r ´eseaux sociaux. Notre principale contribution est d’estimer l’influence des utilisateurs dans les r ´eseaux sociaux et en particulier le r ´eseau Twitter. Le choix de Twitter est motiv ´e par le fait qu’il est consid ´er ´e comme la plateforme de micro-blogging num ´ero un dans le monde entier et qu’il offre des APIs permettant de collecter gratuitement les donn ´ees pour nos diff ´erentes exp ´erimentations. Toutes les exp ´erimentations ont ´et ´e men ´ees dans le cadre de projets impliquant des chercheurs en science de la communication.

L’une des caract ´eristiques de Twitter est la diffusion d’information par l’utilisation d’op ´erateurs, tweeter, mentionner ou citer un utilisateur, utiliser un hashtag ou une URL par exemple. Les liens entre les utilisateurs d ´eterminent le flux de l’information et conditionnent ainsi l’influence d’un utilisateur sur un autre. Certains utilisateurs, appel ´es influents, sont plus capables que d’autres de diffuser des informations `a un grand nombre d’utilisateurs, d’influencer et de persuader les utilisateurs avec lesquels ils sont connect ´es. Par de la diffusion d’information `a large ´echelle et `a faible co ˆut ou a contrario pour stopper les fake news.

Ainsi, l’ ´etude de l’influence des utilisateurs sur Twitter est devenue un sujet de recherche de premier ordre pour les chercheurs en sciences de la communication. Les probl ´ematiques abord ´ees dans cette th `ese correspondent `a deux orientations prioritaires. La premi `ere orientation est lamod ´elisation des donn ´ees issues des r ´eseaux sociaux et en

parti-culier Twitter et la deuxi `eme orientation est l’estimation de l’influence. Les contributions

ont ´et ´e d ´evelopp ´ees dans les chapitres3,4et5 et les exp ´erimentations sont d ´ecrites dans le chapitre6.

La plupart des travaux sur les r ´eseaux complexes ont ´et ´e abord ´es sous l’angle de la th ´eorie ou de l’algorithmique des graphes. En revanche, tr `es peu de travaux de mod ´elisation de tels r ´eseaux complexes existent. Notre contribution, dans le chapitre3 a consist ´e, dans un premier temps, `a d ´eterminer le mod `ele le plus adapt ´e et `a le sp ´ecialiser pour sp ´ecifier les relations engendr ´ees par les interactions entre les utilisateurs de Twitter. Le mod `ele choisi est un r ´eseau multiplexe h ´et ´erog `ene o `u chaque couche repr ´esente une

118 CHAPITRE 7. CONCLUSION G ´EN ´ERALE

relation ( ´ecrire, mention, retweet, etc.) entre utilisateurs ou entre utilisateurs et tweets ou encore entre les tweets et les objets (URLs, hahstags), . . . , les nœuds ´etant h ´et ´erog `enes `a l’int ´erieur de chaque couche. Dans un second temps, le r ´eseau multiplexe h ´et ´erog `ene est exploit ´e afin d’estimer l’influence des nœuds en utilisant une extension de l’algorithme PageRank, nomm ´ee Multiplex PageRank. Nous ´etudions aussi les param `etres qui modifie le comportement du Multiplex PageRank. Si le classement des nœuds obtenu refl `ete la r ´ealit ´e, les scores du PageRank multiplexe sne permettent qu’un classemnt des utilisateurs. Afin de d ´epasser une mesure quantitative, nous proposons dans le chapitre4, TwitBelief, une approche qui exploite aussi les diff ´erentes relations entre les nœuds du r ´eseau. Elle utilise la th ´eorie des fonctions de croyance afin de d ´eterminer, pour chaque nœud un degr ´e d’influence pond ´er ´e par une estimation de la cr ´edibilit ´e. En effet, la th ´eorie des fonctions de croyance permet de combiner les diff ´erentes interactions du r ´eseau Twitter tout en exprimant l’incertitude sur l’importance des diff ´erentes interactions `a travers les masses de croyance. TwitBelief r ´epond au principal inconv ´enient des approches pr ´esent ´ees dans le chapitre2o `u nous avons montr ´e que l’estimation de l’influence se focalise sur un seul type de relation n ´egligeant les autres.

Dans le chapitre5, nous proposons deux extensions de TwitBelief. La premi `ere extension permet d’exprimer si l’influence est positive ou n ´egative en analysant le sentiment exprim ´e dans les tweets. Nous exploitons le contenu des tweets afin de d ´eterminer le sentiment exprim ´e `a travers eux en utilisant l’algorithme des for ˆets d’arbres d ´ecisionnels. Ensuite, nous divisons le r ´eseau de Twitter en trois sous-r ´eseaux, chacun repr ´esentant une polarit ´e (positif, n ´egatif ou neutre), TwitBelief est alors appliqu ´e dans chaque sous-r ´eseau pour obtenir l’influence de chacun. Enfin, les mesures d’influence des trois sous-r ´eseaux sont combin ´ees pour obtenir une estimation de l’influence polaris ´ee. La seconde extension porte sur le style de communication utilis ´e par les utilisateurs de Twitter. Il s’agit de cat ´egoriser leur style de communication en se basant sur le principe de TwitBelief en ex-ploitant les diff ´erentes combinaisons d’op ´erateurs utilis ´es dans les tweets. Les chercheurs en sciences de la communication avec lesquels nous travaillons ont ´etabli les diff ´erentes combinaisons `a prendre en compte.

Finalement, nous avons effectu ´e des exp ´erimentations pr ´esent ´ees en chapitre 6. Les exp ´erimentations portent sur trois jeux de donn ´ees. Le premier jeu repr ´esente les donn ´ees du projet TEE’2014 relatif aux ´elections europ ´eennes de 2014, le deuxi `eme concerne les donn ´ees collect ´ees dans le cadre de l’ ´election pr ´esidentielle franc¸aise de 2017 et le troisi `eme est l’ensemble de donn ´ees CLEF RepLab 2014 qui a ´et ´e conc¸u pour un d ´efi d’influence organis ´e dans le contexte de la conf ´erence CLEF. Chaque contribution est impl ´ement ´ee, les donn ´ees CLEF RepLab 2014 permettent de nous positionner et les exp ´eriences ont conduit `a des r ´esultats significatifs.

7.2/ P

ERSPECTIVES

Dans cette th `ese, nous avons r ´epondu aux limites des approches existantes et nous avons obtenu de bons r ´esultats en comparaison ceux fournis par les recherches existantes. Cependant, des perspectives int ´eressantes ´emergent pour renforcer davantage nos propositions. Dans la suite, nous pr ´esentons quelques perspectives pour nos travaux futurs :

7.2. PERSPECTIVES 119

— L’ ´election europ ´eenne de mai 2019 nous offre la possibilit ´e de reconduire notre approche afin de mener une ´etude comparative et longitudinale¹2014-2019. Les participants aux projet TEE’2014 ont accept ´e de participer `a cette nouvelle ´etude. — L’approche TwitBelief doit ˆetre enrichie avec l’introduction de nouveaux motifs d’interaction contenant les hashtags. Certains hashtags bien choisis peuvent offrir une meilleure visibilit ´e.

Puis nous voulons ´etendre l’algorithme du PageRank multiplexe avec les hashtags afin de proposer un Hashtag-Sensitive Multiplex PageRank. Pour cela, nous voulons exploiter l’influence de la couche des hashtags (graphe de hashtags corr ´el ´es) sur les autres couches.

— Une autre piste de recherche consiste `a ´etudier l’influence au sein des commu-naut ´es ou entre commucommu-naut ´es. Une commucommu-naut ´e est d ´efinie comme un ensemble d’utilisateurs ou de nœuds connect ´es les uns aux autres plus que les autres utilisateurs d’autres communaut ´es [Schaub et al., 2017]. Les personnes d’une m ˆeme communaut ´e ont g ´en ´eralement des propri ´et ´es communes. Par exemple, ils peuvent ˆetre des amis qui ont fr ´equent ´e la m ˆeme ´ecole ou sont originaires de la m ˆeme ville. Une telle ´etude peut ˆetre utile dans des applications de marketing. En effet, l’estimation de l’influence `a l’ ´echelle de la communaut ´e permet d’identifier les personnes qui ont une influence sur les clients potentiels. Ainsi, les activit ´es marketing sont orient ´ees autour de ces personnes influentes plut ˆot que sur le march ´e cible dans son ensemble. De plus, le temps pass ´e `a identifier les personnes influentes est r ´eduit puisqu’il est ´evident que la communaut ´e est plus petite que le r ´eseau social. Il est aussi int ´eressant de connaˆıtre les personnes d’une communaut ´e qui peuvent influencer les personnes appartenant `a une autre communaut ´e, ces personnes jouant un r ˆole charni `ere dans la diffusion d’information d’une communaut ´e vers une autre.

— Une autre perspective int ´eressante consiste `a transposer nos contributions `a d’autres r ´eseaux sociaux tels que Facebook, Instagram, forums, etc. En effet, chaque r ´eseau social pr ´esente des caract ´eristiques sp ´ecifiques qui le distinguent des autres. Par exemple, Facebook permet `a ses utilisateurs d’exprimer leurs sentiments ou r ´eactions par rapport `a un message donn ´e. Par exemple, un utilisateur peut aimer un message ou le trouver amusant. Toutes ces sp ´ecificit ´es peuvent ˆetre tr `es instructives pour l’ ´etude de l’influence.

— En outre, nous souhaitons adapter la m ´ethode pour prendre en compte les aspects temporels, `a savoir l’ ´evolution de l’influence plut ˆot que l’influence `a un instant donn ´e. En effet, les r ´eseaux sociaux en ligne collectent chaque jour une ´enorme quantit ´e de donn ´ees pouvant contenir de nombreuses informations nouvelles. Un utilisateur d ´etect ´e influent aujourd’hui, peut ne plus l’ ˆetre apr `es une p ´eriode de temps ou voir la polarit ´e de son influence changer, et il peut apparaˆıtre d’autres utilisateurs influents. D’autre part, le processus d’estimation de l’influence peut ˆetre co ˆuteux et lent dans certains cas. Par cons ´equent, une approche de mise `a jour pour la d ´etection des utilisateurs influents peut ˆetre tr `es int ´eressante. Son objectif est de mettre `a jour l’ensemble des r ´esultats en

1. En sociologie, l’analyse longitudinale est l’analyse des donn ´ees portant sur des ´echantillons de per-sonnes interrog ´ees plusieurs fois au cours du temps.

120 CHAPITRE 7. CONCLUSION G ´EN ´ERALE

ajoutant de nouveaux utilisateurs influents et/ou en supprimant ceux qui ne le sont plus. La mise `a jour se fera sans relancer tout le processus d’estimation de l’influence. Nous pouvons nous baser sur la mod ´elisation des r ´eseaux temporels. — Et enfin, nous pr ´evoyons d’appliquer le principe de l’approche propos ´ee sur d’autres mesures qui n ´ecessitent elles aussi la fusion d’information comme l’estimation de la cr ´edibilit ´e ou la r ´eputation des utilisateurs dans Twitter ou dans des r ´eseaux complexes. En effet, de telles mesures d ´ependent de plusieurs crit `eres `a fusionner, par exemple, afin d’estimer la cr ´edibilit ´e d’un certain utilisateur, plusieurs facteurs peuvent ˆetre exploit ´es, un utilisateur est plus cr ´edible que d’autres si l’image de son compte est une photo personnelle, s’il est souvent mentionn ´e ou retweet ´e, s’il a un compte v ´erifi ´e par les autorit ´es de Twitter ou si ses tweets contiennent des URLs.

BIBLIOGRAPHIE

[Abel et al., 2011] Abel, F., Gao, Q., Houben, G.-J., et Tao, K. (2011). Semantic

Enrich-ment of Twitter Posts for User Profile Construction on the Social Web. Dans The Semantic Web : Research and Applications, 8th Extended Semantic Web Conference (ESWC), pages 375–389.

[Al-Garadi et al., 2018] Al-Garadi, M. A., Varathan, K. D., Ravana, S. D., Ahmed, E.,

Mu-jtaba, G., Khan, M. U. S., et Khan, S. U. (2018). Analysis of online social network connections for identification of influential users : Survey and open research issues. ACM Comput. Surv., 51(1) :16 :1–16 :37.

[Allard et al., 2009] Allard, A., No ¨el, P.-A., Dub ´e, L. J., et Pourbohloul, B. (2009).

Heteroge-neous bond percolation on multitype networks with an application to epidemic dynamics. Physical Review E, 79(3) :036113.

[ ´Alvarez, 2012] _{Alvarez, P. C. (2012).}´ _{Journalism and social media : How spanish}

jour-nalists are using twitter/periodismo y social media : c ´omo est ´an usando twitter los periodistas espa ˜noles. Estudios sobre el mensaje period´ıstico, 18(1) :31–53.

[Amato et al., 2016] Amato, F., Moscato, V., Picariello, A., et Sperl`ı, G. (2016).

Mode-ling User-Content Interaction in Multimedia Social Networks Using Hypergraphs.

Dans 12th International Conference on Signal-Image Technology & Internet-Based Systems, SITIS, pages 343–350.

[Anderson, 2017] Anderson, B. (2017). Tweeter-in-chief : A content analysis of

pre-sident trump’s tweeting habits. ELON JOURNAL, page 36.

[Arasu et al., 2002] Arasu, A., Novak, J., Tomkins, A., et Tomlin, J. (2002). Pagerank

computation and the structure of the web : Experiments and algorithms. Dans

Proceedings of the Eleventh International World Wide Web Conference, Poster Track, pages 107–117.

[Ashwini et al., 2015] Ashwini, S. S., et Sindhu, M. (2015). Profile Ranking Using User

Influence and Content Relevance with Classification Using Sentiment Analysis.

International Journal of Computer Science and Mobile Computing, 4(6) :1075–1080.

[Ausserhofer et al., 2013] Ausserhofer, J., et Maireder, A. (2013). National politics on

twitter : Structures and topics of a networked public sphere. Information, Commu-nication & Society, 16(3) :291–314.

[Azaza et al., 2015] Azaza, L., Faiz, R., et Benslimane, D. (2015). Une approche de

filtrage d’opinions `a base de cr ´edibilit ´e dans un contexte de r ´eseaux sociaux. ISI, 20(4).

[Bae et al., 2014] Bae, J., et Kim, S. (2014). Identifying and ranking influential

sprea-ders in complex networks by neighborhood coreness. Physica A : Statistical

Me-chanics and its Applications, 395 :549–559.

[Bakhtine, 1996] Bakhtine, M. (1996).Collected Works. T. 5 : Travaux des ann ´ees 1940

et d ´ebut des ann ´ees 1960, volume 5. Moscou :Dictionnaires russes. 121

122 BIBLIOGRAPHIE

[Bakshy et al., 2011] Bakshy, E., Hofman, J. M., Mason, W. A., et Watts, D. J. (2011).

Everyone’s an Influencer : Quantifying Influence on Twitter. Dans Proceedings of the Fourth ACM International Conference on Web Search and Data Mining, WSDM ’11, pages 65–74, New York, NY, USA. ACM.

[Barab ´asi et al., 1999] Barab ´asi, A.-L., et Albert, R. (1999). Emergence of scaling in

random networks. science, 286(5439) :509–512.

[Barnes, 1969] Barnes, J. A. (1969).Graph Theory and Social Networks : A Technical

Comment on Connectedness and Connectivity. Sociology, pages 215–232.

[Barrat, 2013] Barrat, A. (2013). La notion de r ´eseau complexe : du r ´eseau comme

abstraction et outil `a la masse de donn ´ees des r ´eseaux sociaux en ligne. Com-munication et organisation, (43) :15–24.

[Basaille et al., 2016] Basaille, I., Kirgizov, S., Leclercq, E., Savonnet, M., et Cullot, N.

(2016). Towards a twitter observatory : A multi-paradigm framework for collec-ting, storing and analysing tweets. Dans Tenth IEEE International Conference on Research Challenges in Information Science, (RCIS), pages 1–10.

[Basaille et al., 2018] Basaille, I., et Leclercq, ´E. (2018). D ´etection de communaut ´es

dans les r ´eseaux sociaux, approches, algorithmes, interpr ´etations et limites. Dans Brachotte, G., et Frame, A., ´editeurs, L’usage de Twitter par les candidats, pages 189–216. EMS.

[Basaille-Gahitte et al., 2013] Basaille-Gahitte, I., Abrouk, L., Cullot, N., et Leclercq, E.

(2013). Using social networks to enhance customer relationship management.

Dans le document Une approche pour estimer l'influence dans les réseaux complexes : application au réseau social Twitter (Page 122-148)