TABLE2.2 – Synth `ese des travaux de recherche sur l’influence
Article Type de r ´eseau S ´emantique des liens Contenu Autre crit `ere Algorithme/Mesure
P
opularit
´e
[Leavitt et al., 2009] Twitter Abonn ´es, Retweet, Mention, R ´eponse
7 7 Nombre de liens par type
[Cha et al., 2010] Twitter Abonn ´es, Retweet, Mention
7 7 Nombre de liens par type
[Lee et al., 2010a] Twitter 7 7 Lecteurs potentiel Nombre de lecteurs potentiels [Suh et al., 2010] Twitter Abonn ´es, Retweet URL + Hashtag Age du compte Nombre de retweets [Bakshy et al., 2011] Twitter Retweet URL 7 Cascades d’URLs
T
opologie
du
r
´eseau
[Chen et al., 2012a] Simple 7 7 7 LocalRank : Degr ´e de centralit ´e des voisins
[Chen et al., 2013a] Orient ´e 7 7 7 ClusterRank : LocalRank + cœf-ficient de clustering
[Zhao et al., 2017] Orient ´e 7 7 7 LCL : LocalRank + ClusterRank [Chen et al., 2013b] Orient ´e 7 7 7 KED : Nombre de liens +
diver-sit ´e de chemins [Korn et al., 2009] Simple 7 7 7 H-Index
[Zhao et al., 2015] Simple 7 7 7 CbC : centralit ´e communautaire [Ghalmane et al., 2018] Modulaire 7 7 7 Centralit ´e modulaire [Kitsak et al., 2010] Simple 7 7 7 K-shell
[Basaras et al., 2013] Simple 7 7 7 µ-power community index [Bae et al., 2014] Simple 7 7 7 K-shell + K-shell des voisins [Liu et al., 2015] Simple 7 7 7 K-shell + diversit ´e des liens [Wei et al., 2015] Pond ´er ´e 7 7 7 K-shell pond ´er ´e (Wks) [Ma et al., 2016] Simple 7 7 7 indice de centralit ´e par gravit ´e [Brown et al., 2011] Simple 7 7 7 Echelle logarithmique de K-shell [Tunkelang, 2009] Twitter Abonn ´es 7 7 TunkRank : Prise en compte de
l’influence des abonn ´es [Silva et al., 2013] Twitter Retweet Analyse de sentiment 7 ProfileRank : Contenu pertinent [Pujol et al., 2002] Pond ´er ´e,
Orient ´e
7 7 7 NodeRanking : PageRank sur
graphes pond ´er ´es
[Ghosh et al., 2012] Twitter Abonnements 7 7 CollusionRank : P ´enaliser l’abonnement aux spammeurs [L ¨u et al., 2011] Twitter Abonn ´es 7 7 LeaderRank : Pagerank +
intro-duction nœud g
[Weng et al., 2010] Twitter Abonn ´es Hashtag 7 TwitterRank : PageRank + Simi-larit ´e de sujet
[Romero et al., 2011] Twitter Retweet 7 Passivit ´e IP-Algorithm : HITS Influence et Passivit ´e
Fusion
[Simmie et al., 2013] Twitter Retweet, Mentions, R ´eponses
7 7 PageRank + HMM
[Muruganantham et al., 2015] Simple Facebook
7 7 7 Mesures de centralit ´e + TOPSIS
[Wei et al., 2013] Pond ´er ´e 7 7 7 EVC : Degr ´e de centralit ´e + Im-portance du nœud
[Gao et al., 2013] Pond ´er ´e 7 7 7 ESC : EVC + Centralit ´e semi lo-cale
[Ren et al., 2015] Pond ´er ´e 7 7 7 ELSC : ESC + Connections to-pologiques entre voisins [Mo et al., 2015] Simple 7 7 7 CEC : EVC, ESC et ELSC
adapt ´es aux r ´eseaux simples [Jendoubi et al., 2017] Twitter Abonn ´es, Retweets,
Mentions
7 7 Combinaison avec la th ´eorie des fonctions de croyance
38 CHAPITRE 2. ´ETAT DE L’ART
Dans Twitter, de nombreux crit `eres de classification des utilisateurs peuvent ˆetre utilis ´es. Ainsi, afin d’ ´etudier l’influence, il est difficile de choisir les crit `eres `a prendre en compte. Dans l’ ´etat de l’art, plusieurs approches sont propos ´ees dans le but d’ ´etudier l’influence. L’ ´etude de ces diff ´erentes approches montre qu’elles sont nombreuses et que les crit `eres utilis ´es diff `erent d’une approche `a une autre. ´e Certains travaux se sont bas ´es sur des mesures de popularit ´e, c’est- `a-dire le r ´esum ´e statique des liens de Twitter. Cependant, cette cat ´egorie ne prend pas en compte la structure du r ´eseau ´etudi ´e. Afin de contourner cette limite, des approches se sont bas ´ees sur la topologie du r ´eseau qui repose sur l’analyse structurelle du r ´eseau incluant les mesures de centralit ´e, l’algorithme k-shell et les algorithmes de prestige tels que PageRank et HITS. L’inconv ´enient de cette cat ´egorie est d’ignorer la diversit ´e des liens du r ´eseau et les interactions complexes entre les nœuds `a travers des s ´equences de liens. Une autre cat ´egorie ´etend les approches topologiques pour assurer la fusion d’informations issues des diff ´erents crit `eres. Par cons ´equent, les m ´ethodes suivies afin d’ ´etudier l’influence sont nombreuses. N ´eanmoins, ces travaux de recherche nous aident `a d ´eterminer les crit `eres `a prendre en compte dans l’ ´etude de l’influence.
En particulier, nous concluons qu’il est d’abord important de se baser sur la topologie du r ´eseau, c’est- `a-dire de consid ´erer l’utilisateur comme un nœud et d’ ´etudier la structure du r ´eseau auquel il appartient. Il s’agit d’exploiter ses relations avec les voisins avec lesquels il est connect ´e directement ou indirectement `a travers les interactions complexes vues comme une s ´equence de liens. En plus, la fusion des informations issues des diff ´erents crit `eres permet une meilleure ´etude d’influence. Il est important aussi de repr ´esenter l’incertitude lors de la fusion pour exprimer l’importance des crit `eres combin ´es les uns par rapport aux autres, pour ceci la th ´eorie des fonctions de croyance a d ´emontr ´e son efficacit ´e. Enfin, il est important d’estimer l’influence sous forme d’un score global qui peut
ˆetre exploitable pour le classement d’utilisateurs.
Ainsi, les travaux existants nous ont permis de tirer des conclusions int ´eressantes. Ce-pendant, la diversit ´e et la s ´emantique des liens du r ´eseau n’ont pas ´et ´e prises en compte dans les approches propos ´ees. Or, il est important de consid ´erer les types de lien car ils ne repr ´esentent pas la m ˆeme importance dans l’estimation de l’influence. Par exemple, dans le r ´eseau Twitter, le lien retweet n’a pas la m ˆeme importance que le lien r ´eponse car le premier permet une meilleure diffusion d’information. Par ailleurs, la combinaison de plusieurs types de liens avec de l’incertitude n’a pas ´et ´e consid ´er ´ee. Or, il nous parait important, pour mesurer l’influence, de tenir compte des degr ´es d’incertitude sur les poids attribu ´es aux diff ´erents liens selon leur importance. Dans des recherches existantes, la th ´eorie des fonctions de croyance est exploit ´ee pour mesurer l’influence dans des r ´eseaux pond ´er ´es et complexes avec l’objectif commun de modifier les mesures de centralit ´e existantes. N ´eanmoins, la th ´eorie des fonctions de croyance n’a pas ´et ´e exploit ´ee pour mesurer l’influence sur le r ´eseau Twitter avec des motifs d’interactions au lieu des me-sures de centralit ´e. De plus, aucun travail de recherche existant n’ ´etudie lapolarit ´e de l’influence. En effet, il est important d’analyser le sentiment exprim ´e dans les tweets afin