Fiche descriptive

Approximation dynamique de clusters dans un graphe social : méthodes et applications (Document en Français)
Accès au(x) document(s)
Accéder au(x) document(s) :
  • https://docassas.u-paris2.fr/nuxeo/site/esupversions/0b8fac0c-9239-4fc4-8046-430a74690e70Lien brisé : nonDroits d'accès : non autorisé
Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
 
Informations sur les contributeurs
Auteur : Vimont Guillaume
Vimont, Guillaume
Nom
Vimont
Prénom
Guillaume
Nationalité
Français

Date de soutenance : 24-10-2019

Directeur(s) de thèse : Rougemont Michel de
Rougemont, Michel de
Nom
Rougemont
Prénom
Michel de


Etablissement de soutenance : Paris 2
Paris 2
Nom
Paris 2

Laboratoire : Université Panthéon-Assas (Paris). Centre de recherches en économie du droit
Université Panthéon-Assas (Paris). Centre de recherches en économie du droit
Nom
Université Panthéon-Assas (Paris). Centre de recherches en économie du droit

Ecole doctorale : École doctorale des sciences économiques et gestion, sciences de l'information et de la communication (Paris)
École doctorale des sciences économiques et gestion, sciences de l'information et de la communication (Paris)
Nom
École doctorale des sciences économiques et gestion, sciences de l'information et de la communication (Paris)

  
Informations générales
Discipline : Informatique
Classification : Informatique

Mots-clés libres : Algorithmes de streaming, Graphes dynamiques, Clustering, Approximation
Mots-clés :
  • Graphes dynamiques
  • Algorithmes
  • Approximation, Théorie de l'
  • Grilles informatiques
  • Analyse des données
Résumé : Nous étudions comment détecter des clusters dans un graphe défini par un flux d’arêtes, sans stocker l'ensemble du graphe. Nous montrons comment détecter de gros clusters de l'ordre de √n dans des graphes qui ont m = O(n log(n)) arêtes, tout en stockant √n.log(n) arêtes. Les graphes sociaux suivent le régime où m satisfait cette condition. Nous étendons notre approche aux graphes dynamiques définis par les arêtes les plus récentes du flux et à plusieurs flux. Nous proposons des méthodes simples et robustes afin de détecter ces clusters de manière approchée.Nous définissons la corrélation de contenu de deux flux ρ(t) par la similarité de Jaccard de leurs clusters, dans les fenêtres au temps t. Nous proposons une méthode simple et efficace pour approcher cette corrélation en ligne et montrons que pour les graphes aléatoires dynamiques qui suivent une loi de puissance, nous pouvons garantir une bonne approximation.Une des applications est l’analyse des flux Twitter. Nous calculons les corrélations de contenu de ces flux en ligne. Nous proposons ensuite une recherche par corrélation où les réponses aux ensembles de mots-clés sont entièrement basées sur les petites corrélations des flux. Les réponses sont ordonnées par les corrélations, et les explications peuvent être tracées avec les clusters stockés.
  
Informations techniques
Type de contenu : Text
Format : PDF
  
Informations complémentaires
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2019PA020007
Type de ressource : Thèse