Détection des points de vue sur les médias sociaux numériques

Table des matières

1 introduction
1.1 Contexte
1.2 Problématique
1.3 Contributions
1.4 Organisation du mémoire
I état de l’art et jeux de données pour la détect ion de po ints de vue
2 état de l’art
2.1 Définitions
2.1.1 Du réseau social au média social numérique
2.1.2 Comment définir un point de vue ?
2.1.3 Points de vue et médias sociaux numériques
2.2 Détection de points de vue statiques
2.2.1 Méthodes fondées sur le contenu textuel
2.2.2 Méthodes fondées sur les interactions sociales
2.2.3 Méthodes mixtes
2.2.4 Synthèse
2.3 Détection de points de vue dynamiques
2.4 Jeux de données Twitter portant sur les points de vue politiques
3 cadre théor ique
3.1 Définitions
3.1.1 Graphe
3.1.2 Matrice d’adjacence
3.1.3 Degré
3.1.4 Clique
3.1.5 Communauté
3.1.6 Multiplex
3.2 Détection de communautés
3.2.1 Communautés non recouvrantes
3.2.2 Communautés recouvrantes
3.3 Conclusion
4 const itut ion du corpus #élysée2017fr
4.1 Présentation du contexte : la campagne présidentielle française de 2017
4.2 Méthodologie de collecte
4.2.1 Présentation rapide de l’API Streaming de Twitter
4.2.2 Sélection des mots-clés
4.3 Sélection des profils à annoter
4.4 Protocole d’annotation de l’idéologie politique des profils
4.4.1 Pourquoi choisir une annotation par experts ?
4.4.2 Annotation d’un profil
4.4.3 Mesure de l’accord inter-annotateurs
4.5 Présentation du dataset
4.5.1 Statistiques globales
4.5.2 Aspects temporels
4.5.3 Aspects géographiques
4.5.4 Interactions sociales
4.6 Considérations éthiques
4.7 Conclusion
II modèles semi-supervisés de détection de po ints de
vue sur les médias sociaux
5 fondations des modèles
5.1 Présentation des hypothèses
5.1.1 (H1) Utilisation de l’homophilie sur les médias sociaux
5.1.2 (H2) Importance des faisceaux d’indices multiples
5.2 Formalisation
5.3 Jeux de données utilisés
5.4 Proximités
5.4.1 Proximités fondées sur le contenu textuel
5.4.2 Proximités fondées sur les interactions sociales
5.4.3 Proximités fondées sur le contexte géographique
5.5 Validation des hypothèses
5.5.1 Structure communautaire
5.5.2 Homogénéité des communautés
5.5.3 Information partagée entre proximités
5.6 Implications pour la détection de points de vue
6 modèle communautaire séquentiel de détection de
points de vue
6.1 Principes de base
6.2 Fonctionnement du modèle
6.2.1 Ordonnancement des proximités
6.2.2 Sélection des profils-graines
6.3 Expérimentations
6.3.1 Influence de la fonction de sélection des profils-graines ϕ
6.3.2 Contribution de chaque proximité
6.3.3 Influence de la fonction d’ordonnancement ω
6.3.4 Influence du nombre de profils-graines considérés
table des mat ières K
6.3.5 Comparaison avec les modèles de base
6.4 Conclusion
7 évolut ion temporelle des po ints de vue
7.1 Introduction au modèle
7.2 Présentation formelle
7.2.1 Construction des matrices de voisinage
7.2.2 Mesure des similarités entre profils et points de vue
7.2.3 Prédiction des points de vue des profils
7.2.4 Gestion de l’absence d’activité
7.3 Expérimentations
7.3.1 Cadre expérimental
7.3.2 Validation de l’hypothèse du voisinage
7.3.3 Changements de points de vue
7.4 Conclusion
8 conclus ion
8.1 Synthèse des contributions
8.2 Perspectives
8.2.1 Utilisations possibles d’#Élysée2017fr
8.2.2 Améliorations des modèles de détection de points de vue
8.3 Limites d’utilisation de ces modèles
8.3.1 Polarisation
8.3.2 Biais des données collectées sur les médias sociaux .
a panorama des méd ias soc iaux
a.1 The Conversation Prism
a.2 Audience des médias sociaux
b corpus #élysée2017fr
b.1 Structure du jeu de données
b.2 Données détaillées
Liste des figures
Liste des tableaux
Liste des algorithmes
b ibl iograph ie