Une Approche Multi-agents pour la détection des Influences dans des Réseaux sociaux

L'omniprésence des réseaux sociaux dans la vie de tous les jours rend leur analyse indispensable. En effet, ces dernières années, deux axes de recherche ont reçu beaucoup d'intérêt dans l'analyse de ces derniers. Il s'agit de la détection des communautés et la détection des membres les plus influents. Les influenceurs sont des utilisateurs des réseaux sociaux qui peuvent encourager d'autres membres à s'engager dans davantage de relations sociales ou même changer leurs perceptions et opinions sur des thèmes spécifiques. L'effet d'influence peut prendre la forme de sentiments, pensées ou actions. Les travaux de recherche portant sur l'influence, dans un contexte de réseaux sociaux, se sont concentrés sur les liens structurels entre les nœuds ainsi que sur les interactions. Cependant, le contenu des messages et les opinions qui y sont exprimées ont reçu peu d'attention.Le premier objectif de cette thèse est de considérer les différentes interactions entre les membres d'un réseau social. Nous nous appuyons sur les publications des utilisateurs du réseau ainsi que sur sa structure du réseau pour étudier l'influence. Un nouveau modèle d'extraction de thèmes a ainsi été proposé afin de déterminer les thèmes dominants dans le réseau social. Ce modèle est fondé sur deux variantes de la méthode des K-means. Ces variantes permettent d'annoter automatiquement une base de tweets avec les thèmes associés.Les thèmes extraits sont ensuite utilisés dans une architecture de réseau de neurones profond pour l'exploration d'opinions en combinant des données textuelles et des emojis. Des variantes efficaces de CNN et de LSTM sont proposées pour extraire d'abord les opinions du texte et ensuite en considérant les emojis afin de déterminer leur impact dans l'extraction d'opinions.Les étapes ont permis de construire une abstraction du réseau social à l'aide de deux nouvelles métriques : 1) le pouvoir d'influence de l'utilisateur, utilisé comme poids du nœud, et 2) la similarité d'opinions entre deux utilisateurs, utilisée comme poids de l'arête.Après la construction du graphe pondéré, un ensemble de nœuds influents potentiels est sélectionné à l'aide du PageRank personnalisé.Ensuite, nous proposons une approche multi-agents pour résoudre le problème de maximisation de l'influence. On associe à chaque nœud du réseau social un agent (gestionnaire du nœud) et un agent de scrutin pour gérer le processus de vote.Ces agents utilisent un mécanisme de vote pour déterminer les nœuds les pl