En fait, les cartes «3D» des systèmes de gestion des catastrophes peuvent accélérer l’évaluation et l’analyse. Ces systèmes contiennent une quantité considérable d’informa-tions détaillées sur l’emplacement et le degré de danger des citoyens par région.
8.5 Conclusion
Dans ce chapitre, nous avons présenté l’expérimentation de l’approche proposé d’ana-lyse et de modélisation des réseaux sociaux. Cette approche est constituée des contribu-tions suivantes : la classification hiérarchique mixte, l’intégration des métaheuristiques dans notre processus de classification, d’analyse des évènements dans les réseaux sociaux. Afin d’évaluer les performances de nos contributions, nous avons utilisé des indices externes et internes à savoir CEC, rappel-précision, silhouette et DBI.
perspectives
L’explosion des réseaux sociaux a rendu indispensable leur analyse et leur explora-tion, notamment pour la détection des communautés. Dans le cadre de cette thèse, nous présentons une nouvelle approche pour la détection de communautés dans les réseaux so-ciaux dont la principale originalité est de regrouper dans un même groupe les utilisateurs ayant les mêmes opinions. D’où la nécessité de développer, dans un premier temps, une technique d’analyse des sentiments et une approche de détection des communautés parta-geant les mêmes opinions, dans un second temps. Comme la taille massive des sentiments exprimés dans les réseaux sociaux pose un sérieux défi pour l’évolutivité des algorithmes de classification classique des graphes et d’évaluation des communautés découvertes, nous avons introduit, dans cette thèse, une nouvelle approche pour découvrir la structure com-munautaire hiérarchique dans les grands réseaux. La classification hiérarchique hybride proposée combine les avantages des techniques de classification hiérarchique ascendante et descendante. En fait, le premier type de classification est efficace pour identifier les petits groupes, tandis que le deuxième type de classification fonctionne parfaitement à grand échelle.
Notre technique de classification hiérarchique mixte est basée sur l’hypothèse qu’il existe une solution initiale composée de k partitions et sur la combinaison des deux opé-rateurs de classification hiérarchique. Pour éviter la génération aléatoire de la partition initiale de notre algorithme mixte, nous avons défini une heuristique qui vise à modéliser le problème de détection de communautés sous forme d’un problème d’optimisation, à savoir un problème de sac à dos multi-objectifs. En outre, pour analyser ce problème, nous avons suggéré une méthode de recherche Tabou.
À la fin du processus de regroupement hybride introduit, un point fixe, représentant un optimum local de fonction de coût qui mesure le degré d’importance entre deux parti-tions, a été obtenu. Par conséquent, notre modèle combiné a conduit à l’émergence d’une structure communautaire locale. Pour éviter cet optimum local et assurer la convergence des structures de communauté vers l’optimum global de la fonction de coût, la détection
des structures de communauté, dans cette thèse, n’a pas été considérée uniquement comme un problème de classification, mais aussi comme un problème d’optimisation. D’une part, nous avons proposé une modélisons génétique pour notre classification hiérarchique mixte. Nous avons intégré aussi les techniques d’intelligence en Essaims dans notre processus de regroupement hiérarchique.
Nous avons amélioré la modularité de Newman en ajoutant le degré de dépendance et similarité entre les membres des réseaux sociaux et définissant (QDS). En combinaison avec les techniques d’optimisation et la classification hiérarchique mixte, QDS a permis d’améliorer la précision des graphes, même les plus denses et les plus confus.
Nous avons déduit le niveau optimal de modularité, ce qui a minimisé le temps re-quis pour améliorer globalement le processus hiérarchique mixte suggéré. En outre, notre modèle hiérarchique mixte a donné de bons résultats pour les communautés de petites et grandes tailles. Le regroupement hiérarchique mixte introduit a fourni une fonction d’éner-gie (E) basse des partitions du benchmark LFR pour les micro et macro-communautés, indiquant une bonne qualité de regroupement. De plus, comme le processus mixte mis en place a permis d’ajuster la répartition des groupes, le processus de classification hié-rarchique a été plus flexible pour les petites et les grandes communautés. En effet, la combinaison alternative de l’agrégation et de la décomposition a réduit la fonction de coût de la classification. De plus, les mesures de validation, à savoir la CEC et le NMI, appli-quées au benchmark LFR, ont montré une forte dépendance entre le regroupement mixte et la classification manuelle. L’objectif principal de notre classification hiérarchique mixte est de fournir des partitions cohésives et séparées.
Pour atteindre cet objectif, nous nous sommes référés aux critères internes appliqués pour mesurer la qualité d’une structure de regroupement sans référence à des informations externes. Dans ce travail de recherche, nous avons utilisé les indices de silhouette et de DBI pour évaluer les partitions de la méthode introduite basée sur des réseaux à petite et grande échelle. Les valeurs obtenues de DBI ont prouvé que la méthode hiérarchique mixte est capable de fournir des partitions ayant des opinions très proches avec des membres compacts. De plus, la largeur moyenne de silhouette pour un groupe indique que la méthode introduite génère des partitions bien séparées et cohésives.
De toute évidence, les résultats obtenus ont montré une bonne qualité de regroupement de la méthode mixte proposée pour les deux indices d’évaluation, à savoir les critères externes (critères CEC et NMI) et les critères internes (silhouette et DBI).
La détection des communautés hiérarchiques peut être efficace pour connaître les ca-ractéristiques cachées et avoir une idée claire de la structure du réseau. Néanmoins, pour accomplir cette tâche, nous avons traité les problèmes suivants. Premièrement, il est es-sentiel non seulement de déterminer les communautés, mais également d’identifier les mo-difications apportées à la structure du réseau au fil du temps. Bref, les réseaux sociaux changent régulièrement en raison des changements suivants : création des nouveaux liens ou disparition des nouveaux liens existants, formation des nouvelles communautés, etc. A ce propos, nous mettrons l’accent, dans notre contribution suivante, sur l’analyse de la mobilité des communautés et des évènements.
En fait, les réseaux sociaux semblent être une source riche pour découvrir la mobilité des événements et analyser leurs tendances. Dans cette étude, la méthode de l’arbre de décision a été discutée pour analyser la mobilité d’événement dans un réseau social. En fait, le modèle de mobilité proposé a été conçu pour décrire le mouvement des opinions et montrer ses évolutions au fil du temps. Par conséquent, la mesure d’entropie développée a mis en évidence les attributs spatiaux et temporels associés à chaque attribut d’opinions détectées. Par une analyse expérimentale approfondie, nos résultats montrent que la mo-bilité des opinions dépend fortement du comportement à la fois temporel et spatial. De plus, les résultats préliminaires révèlent que notre modèle de classification de la mobilité a le potentiel de détecter et de sensibiliser les événements. En outre, Les points abordés dans notre contribution d’analyse des évènements sont les suivantes : i) la détection et l’ex-traction des événements de risque naturel à partir des contenus de publications sociales. ii) l’introduction d’un traitement flou générant le degré de danger pour chaque événement extrait. iii) Le développement d’un processus efficace pour évaluer les communautés des citoyens en appliquant notre classification hiérarchique mixte. iv) faciliter le partage, l’in-tégration et l’analyse des évènements détectés en appliquant un processus de visualisation. En fait, les citoyens classés ont été injecté comme input aux tableaux de bord Power BI à des fins d’analyse visuelle.
Dans cette thèse, nous avons appliqué l’aspect incertain pour déterminer uniquement le degré de danger des citoyens. Pour améliorer l’approche proposée, nous avons inclus l’aspect incertain pour l’analyse et la modélisation des réseaux sociaux.
Le problème de prédiction de liens est un domaine de recherche crucial considéré pour l’analyse des réseaux sociaux. Il s’agit de chercher les liens dans le réseau en considérant son état présent. De nombreuses techniques ont été introduites pour résoudre ce problème. Cependant, la majorité de ces méthodes le traitent dans un cadre certain. Il est constaté que les données des réseaux sociaux sont généralement incomplètes et bruitées. Pour cette raison, il est important de gérer l’incertitude pendant le processus de prédiction.