Socio-semantic Networks Algorithm for a Point of View Based Visualization of On-line Communities

Within the community detection problem it is possible to use either the structural dimension or the composition dimension of the social network; on the first case the communities contain groups of well-connected and dissimilar nodes whereas on the second case, the communities contain groups of similar but loosely connected nodes. Therefore the amount of information extracted is reduced as one of the dimensions is discarded. The objective of this Thesis is to propose a novel approach for detecting communities in which the structural and composition dimensions are integrated in such a way the communities contain groups of well-connected and similar nodes. This approach requires first, a new definition of community that includes both dimensions of the network, then a new community detection model suited for this new definition that allows us to find groups of well-connected and similar nodes. The model starts introducing the notion of point of view that allows the division of the composition dimension for analyzing the network from different perspectives. Then the model influences the community detection process by integrating the composition information into the graph structure. The last step is the social network visualization that places the nodes according to their structural and compositional similarities and that allows us to find important nodes regarding the interaction between communities.
Dans le problème de détection de communautés il est possible d'utiliser soit la dimension structurelle, soit la dimension compositionelle du réseau : dans le premier cas les communautés seraient composées par des groupes de noeuds fortement connectés mais peu similaires, et pour le deuxième cas, les groupes auraient des noeuds similaires mais faiblement connectés. Donc en ne choisissant qu'une des dimensions la quantité possible d'information à extraire est réduite. Cette thèse a pour objectif de proposer une nouvelle approche pour utiliser en même temps les dimensions structurelle et compositionelle lors de la détection de communautés de façon telle que les groupes aient des noeuds similaires et bien connectés. Pour la mise en oeuvre de cette approche il faut d'abord une nouvelle définition de communauté qui prend en compte les deux dimensions présentées auparavant et ensuite un modèle nouveau de détection qui utilise cette définition, en trouvant des groupes de noeuds similaires et bien connectés. Le modèle commence par l'introduction de la notion de point de vue qui permet de diviser la dimension compositionelle pour analyser le réseau depuis différentes perspectives. Ensuite le modèle, en utilisant l'information compositionelle, influence le processus de détection de communautés qui intègre les deux dimensions du réseau. La dernière étape est la visualisation du graphe de communautés qui positionne les noeuds selon leur similarité structurelle et compositionelle, ce qui permet d'identifier des noeuds importants pour les interactions entre communautés.