ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique
Autres revues >>

Document Numérique

1279-5127
 

 ARTICLE VOL 20/1 - 2017  - pp.67-100  - doi:0.3166/dn.2017.00003
TITRE
Évaluation de l’influence polarisée dans un réseau multirelationnel. Application à Twitter

TITLE
Polarized influence assessment in Twitter multi-relational network

RÉSUMÉ

L’étude de l’influence sur Twitter est un sujet de recherche intense, certains utilisateurs révèlent plus de capacité pour in fluencer d’autres personnes. Nous proposons une nouvelle approche pour une évaluation de l’influence polarisée dans les réseaux multirelationnels tels que Twitter. Nous prenons en compte le contenu des tweets pour déterminer leur polarité en utilisant l’algorithme des forêts d’arbres décisionnels. Puis, nous fusionnons, au moyen des fonctions de croyance, les informations provenant des relations (retweet, mention ou répond, etc.) pour obtenir un degré d’influence pour chaque utilisateur. Nous expérimentons notre méthode sur les données collectées lors des élections européennes de 2014. Les résultats montrent que notre modèle est suffisamment flexible pour répondre aux besoins des spécialistes en sciences sociales et que l’utilisation de la théorie des fonctions de croyances est efficace pour traiter des relations multiples.



ABSTRACT

Influence in Twitter has become recently a hot research topic. Some users are more able than others to influence peers. In this study, we propose a new approach for polarized influence assessment in multirelational networks such as Twitter. We take into account the content of the tweets using a random forest algorithm to deduce their polarity. After that, based on the belief functions theory, we merge information from different relations (e.g. retweet, mention or reply, etc.) to deduce the influence degree of each user. We experiment our method on data gathered during the European Elections 2014. The results show that our model is flexible enough to consider social scientists needs and that the belief theory is accurate for information fusion in multirelational networks.



AUTEUR(S)
Lobna AZAZA, Marinette SAVONNET, Eric LECLERCQ, Sergey KIRGIZOV, Rim FAIZ

MOTS-CLÉS
éseau multirelationnel, influence, analyse de sentiment, fusion d’information, fonctions de croyance.

KEYWORDS
multirelational network, influence, sentiment analysis, information fusion, belief theory. DOI: 10.3166/dn.2017.00003 © 2017 Lavoisier

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 7.5 €
• Non abonné : 15.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (13,68 Mo)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier