Découverte de motifs sémantiques dans les réseaux sociaux à l aide de la fouille de données

LABORATOIRE D INFORMATIQUE DE NANTES-ATLANTIQUE UMR 6241 ÉCOLE DOCTORALE STIM, N. 503 «Sciences et technologies de l information et des mathématiques» Sujet de thèse pour 2012 Découverte de motifs sémantiques dans les réseaux sociaux à l aide de la fouille de données Directeur de thèse NOM, Prénom : GUILLET, Fabrice Équipe d accueil : C.O.D. Unité de recherche : LINA (UMR 6241) Unité de rattachement : Univ. Nantes France Courriel : Fabrice.Guillet (at) univ-france.fr Téléphone : (+33/0) 2 40 68 30 92 Taux d encadrement : 50 % Nombre de thèses en cours : 2 Co-encadrant NOM, Prénom : BLANCHARD, Julien Taux d encadrement : 50 %

Sujet de thèse pour 2012 Découverte de motifs sémantiques dans les réseaux sociaux à l aide de la fouille de données Résumé. Les réseaux sociaux revêtent une importance croissante au sein de notre société dans la formation des opinions et des comportements des individus. Cette thèse a pour objectif de croiser les capacités de découverte de la fouille de données avec les capacités d explication des ontologies afin de développer de nouvelles méthodes de fouille «sémantique» de réseaux sociaux, offrant une plus grande intégration de la sémantique et améliorant l explication des décisions issues des réseaux sociaux. Mots clés. Analyse de réseaux sociaux, fouille de données, ontologie, analyse sémantique, prise de décision, motifs frequents, cohortes de motifs et règles 2

Introduction Contexte et problématique Une étude récente [ips11] montre que plus de 50% des consommateurs ayant accès à Internet sont influencés dans leur décision et leurs opinions par les réseaux sociaux. Sous cette influence croissante des réseaux sociaux sur le grand public et l économie, la compréhension des caractéristiques de ces réseaux - telles que les leaders d opinion, les communautés d intérêt, l évolution du réseau... - revêt donc une importance capitale, et a stimulé de nombreux travaux de recherche multidisciplinaires [Sco00]. La communauté fouille de données s est récemment emparée de cette problématique en la classant parmi les 10 défis à relever [Yan06]. La fouille de données [HCXY07] offre déjà de puissants moyens d analyse des données sous-jacentes aux réseaux sociaux (graphe d interaction), afin d y découvrir leurs caractéristiques et leur fonctionnement. Par ailleurs, avec le développement des technologies sémantiques, les données portées par le réseau social peuvent être annotées/indexées par des ontologies métiers, des ontologies sur les acteurs, des ontologies sur les relations entre acteurs... L objectif de cette thèse consiste ainsi à croiser les capacités de découverte de la fouille de données avec les capacités d explication des ontologies afin de développer de nouvelles méthodes de fouille «sémantique» de réseaux sociaux. général jusqu à la problématique visée. Problèmes et opportunités Les travaux de recherche en fouille de réseaux sociaux se focalisent sur une approche fouille de graphe [CH07], permettant l analyse des interactions entre individus (i.e. les arcs du graphe d interaction modélisant le réseau social et dont les sommets sont les individus) et leur degré de connexion (nombre d arcs d un sommet). Les communautés deviennent alors de sous-graphes d individus fortement connectés [Sch07], les leaders étant les plus connectés via leur dégré de centralité [KCZ10]. Cette approche bénéficie de la puissance de la théorie des graphes. En revanche, ces méthodes découvrent souvent des communautés mirages et de faux leaders ; et par ailleurs le niveau d explication des résultats reste faible et pauvre en sémantique. Ce niveau d explication pourrait être grandement amélioré en utilisant les informations contenues dans les autres données disponibles sur les sommets (profils utilisateurs), les arcs (types d interaction) et les métadonnées (annotations sémantiques). A titre d exemple, l utilisation de ces données supplémentaires permettrait de : découvrir que la majorité des membres d une communauté découverte réside dans la même zone géographique à l exception du leader. découvrir qu une communauté se scinde en deux sous communautés avec des pôles d intérêt différents et qui coïncident avec leur statut socio-professionnel... 3

L objectif de cette thèse consistera à développer de nouvelles méthodes de fouille sémantique dans les réseaux sociaux. Pour cela, on propose de s inspirer des techniques de fouille de motifs fréquents [HKP11] et de cohorte de règles dans les graphes [PBGB11], puis d y coupler des ontologies afin de permettre la découvertes de nouveaux motifs sémantiques issus des données supplémentaires. Ces motifs sémantiques seront extraits pour améliorer différents types de tâches : l extraction de communautés, des leaders d opinion, et la recommandation dans les réseaux sociaux. Travail demandé Objectifs L étudiant devra réaliser un état de l art des méthodes de fouille de données dans les réseaux sociaux, de la fouille de motifs fréquents dans les graphes, et le couplage sémantique à des ontologies. En s appuyant sur l état de l art, il devra formaliser et concevoir le modèle des motifs sémantiques en étendant les modèles et algorithmes disponibles. Cette approche sera déclinée sur les communautés d intérêt, les leaders d opinion, et la recommandation. Les modèles et algorithmes proposés devront être testés et validés sur des données de référence. Les modèles proposés et leurs résultats seront comparés aux autres approches disponibles. Une analyse critique de l approche choisie et des résultats obtenus sera effectuée. Plan de travail prévisionnel de l étude Lors de la première année, l étudiant devra réaliser un état de l art sur le contexte de la fouille de données dans les réseaux sociaux, puis plus spécifiquement sur la fouille de motifs fréquents dans les graphes, les cohortes de règles et le couplage sémantique proposé dans les motifs généralisés. A l issue de cette étude, il proposera une extension des modèles et algorithmes de fouille de motifs fréquents et de cohorte de règles afin de formaliser et de concevoir un modèle original de motifs sémantiques et son algorithme d extraction. Lors de la deuxième année, ce premier modèle sera testé et évalué sur des données de référence. Puis, en analysant les résultats le modèle et l algorithme sera graduellement amélioré puis décliné en plusieurs versions : une pour les communautés, les leaders, et enfin la recommandation. Puis des expérimentations sur des données plus volumineuses seront effectuées. La dernière année sera consacrée aux dernières améliorations du modèle tant sur la qualité des résultats que sur ses performances. Par ailleurs une étude comparative la plus exhaustive possible sera menée afin de confronter la nouvelle méthode avec les résultats 4

des autres méthodes. Enfin une analyse critique de la méthode choisie et des résultats obtenus sera effectuée. Candidats Compétences Les candidats doivent avoir des compétences avérées et/ou des connaissances suffisantes dans les domaines suivants : - la fouille de motifs fréquents en fouille de données - les ontologies dans le cadre du web sémantique - l apprentissage automatique et la classification non supervisée Ils devront par ailleurs disposer d excellentes capacités d abstraction et de synthèse, ainsi que d un très bon niveau de compréhension et de rédaction en anglais. 5

Bibliographie [CH07] Diane J Cook and Lawrence B Holder. Mining graph data. Wiley-Blackwell, 2007. [HCXY07] Jiawei Han, Hong Cheng, Dong Xin, and Xifeng Yan. Frequent pattern mining : current status and future directions. Data Mining and Knowledge Discovery, 15(1) :55 86, 2007. [HKP11] Jiawei Han, Micheline Kamber, and Jian Pei. Data Mining : Concepts and Techniques, 3rd edition. Morgan Kaufmann Publishers Inc., 2011. [ips11] Smarter commerce survey. ibm/ipsos mori, 2011. [KCZ10] Reihaneh Rabbany Khorasgani, Jiyang Chen, and Osmar R Zaiane. Top leaders community detection approach in information networks. Number July. 2010. [PBGB11] Thomas Piton, Julien Blanchard, Fabrice Guillet, and Henri Briand. Une méthodologie de recommandations produits fondée sur l actionnabilité et l intérêt économique des clients. In Ali Khenchaf and Pascal Poncelet, editors, EGC, volume RNTI-E-20 of Revue des Nouvelles Technologies de l Information, pages 203 214. Hermann-Éditions, 2011. [Sch07] S Schaeffer. Graph clustering. Computer Science Review, 1(1) :27 64, 2007. [Sco00] J. Scott. Social network analysis : A handbook. Sage, 2000. [Yan06] Qiang Yang. 10 challenging problems in data mining research. Journal of Information Technology, 5(4) :597 604, 2006. 6

CV du directeur de thèse Fabrice Guillet, Professeur des universités (voir CV annexe) 7

CV du co-encadrant Julien Blanchard, Maître de conférences (voir CV en annexe) 8

CV (2 pages) Present Position Photo Professor Family name First name(s) Gender (M/F) Office address E-mail Guillet Fabrice M Polytech Nantes - Ecole polytechnique de l université de Nantes Rue C. Pauc BP 50609 F-44306 Nantes Cedex 3 - France Fabrice.Guillet@univ-nantes.fr Web site http://www.polytech.univ-nantes.fr/cod/?pages_personnelles:fabrice_guillet Office-Phone Tél : (+33)(-0)2 40 68 30 92, Fax : (+33)(-0)2 40 68 32 32 Cellular phone (+33)(-0)6 78 58 35 64 Citizen French Date of birth 30/05/1965 Positions Held Since 2010 : Full Professor Polytech Nantes 1997-2010: Associate Professor Polytech Nantes 1995-1997: Assistant Professor Polytech Nantes 1992-1995: Lecturer - ENST Bretagne Education Year University Diploma 2006 Nantes HdR (professor habilitation) in CS 1995 Rennes I PhD in computer science. Memberships and functions within international/national institutions (3 maxi) - since 2010: responsible for the EM-DMKM Erasmus Mundus master (EMMC) in Polytech Nantes. - since 2003: founder member of the French-speaking association "Extraction et Gestion des Connaissances" (EGC), member of the executive board (treasurer) and of the steering committee. - since 2000: Member of KnOwledge and Decision (KOD) team, Laboratory of Comp. science of Nantes Atlantic (LINA CNRS 6241) Relations with foreign universities in particular in third countries (3 maxi) - Main Collaborations: (1) Politehnica Univ. Bucarest Romania, (2) Cantho Univ. Vietnam, (3) Univ. Politechnics of Catalogna. (4) Univ. Piémont Italy, (5) Univ. Regina et (6) Univ. Laval Canada, (7) Univ. de Kyushu Japan, (8) UTS Sidney Australia, (9) Univ. Palermo Italy; - Contacts with 30 european universities (Erasmus agreements)

Contacts and collaborations with industry (2 principal collaborations over the 4 last years) - CIFRE PhD grant with VM Materiaux company, Nantes. - PhD grant with UVICOM, Nantes Memberships to Scientific Program of Journals and/or international conferences Short description of your expertise in the domain of Data Mining and/or Knowledge Management PC of ACM KDD[09], IEEE-ICDM[06,07,10,11,12], SIAM-SDM[10], ASONAM[10,11], DS[04,05,06,07], COMPSTAT[10], PKAW/PRICAI[06,07,08], ASMDA[05,06,09}, VDM/IEEE ICDM[03,04], HCP[03,07], ISPA[07] Frequent pattern mining Postprocessing and validation (visualization and quality) Knowledge Engineering and Ontologies I organized few events including Data Mining topics (e.g. EGC2001, EGC2008, QDM workshops at EGC conference). I co-supervised then supervised 7 completed PhDs and 2 ongoing PhDs on data mining and ontology management topics. Publications (10 Maxi) a - Books : R. Gras, E. Suzuki, F. Guillet and F. Spagnolo (eds). Statistical Implicative Analysis: Theory and Applications. Studies in Computational Intelligence, Vol. 127, 514 pages, May 2008, Springer. F. Guillet and H. Hamilton (eds). Quality Measures in Data Mining. Studies in Computational Intelligence, 2007, Springer. b Journals : C. Marinica and F. Guillet. Knowledge-based Interactive Post-Mining of Association Rules Using Ontologies. In IEEE Transactions on Knowledge and Data Engineering, 22(6): 784-797, 2010. IEEE Press. X.-H. Huynh, F. Guillet, T. Q. Le and H. Briand.. Ranking objective interestingness measures with sensitivity values. VNU Journal of Science, Special Issue on ICT Research and development, 24(2), 122-132, 2008. VNU. ISSN: 0866-8612. J. Blanchard, F. Guillet and H. Briand. Interactive Visual Exploration of Association Rules with the Rule Focusing Methodology. Knowledge and Information Systems (KAIS), 13( 1), 43-75, 2007. Springer. ISSN: 0219-1377. J. Blanchard, B. Pinaud, P. Kuntz, F. Guillet. A 2D-3D visualization support for human-centered rule-mining. Computers and Graphics (C&G), 31(3), 350-360, 2007. Elsevier. ISSN: 0097-8493. J. David, F. Guillet, and H. Briand. Association Rule Ontology Matching Approach. International Journal on Semantic Web and Information Systems (IJSWIS), Special Issue on Ontology Matching, 3(2), 27-49, 2007. IGI Global. ISSN: 1552-6283. b Conferences : T. Piton, J. Blanchard, H. Briand and F. Guillet. Domain Driven Data Mining to Improve Promotional Campaign ROI and Select Marketing Channels. In 18th ACM Conference on Information and Knowledge Management (ACM- CIKM09), pp 1057-1066, Hong Kong, November 2-6, 2009. ACM Press. ISBN 978-1-60558-512-3 A. Olaru, C. Marinica and F. Guillet. Local Mining of Association Rules with Rule Schemas. In IEEE Symposium on Computational Intelligence and Data Mining (IEEE CIDM), pp 118-124, USA, 2009. IEEE Computer Society Press. J. David, F. Guillet, H. Briand. Mapping directories and OWL ontologies with AROMA. In ACM Conference on Information and Knowledge Management (ACM CIKM), Arlington, USA, november 2006. J. David, F. Guillet, R. Gras, H. Briand. Conceptual hierarchies matching: an approach based on discovery of implication rules between concepts. In 17th European Conference on Artificial Intelligence (ECAI), pp 357-361, 2006. IOS Press. c Software : SAMANTA, ATHANOR, ARVAL, ARVIS, ARQAT, AROMA

Curriculum Vitae Present Position Photo Professor Family name First name(s) Gender (M/F) Office address E-mail Blanchard Julien M Polytech Nantes - Ecole polytechnique de l université de Nantes Rue C. Pauc BP 50609 F-44306 Nantes Cedex 3 - France julien.blanchard@univ-nantes.fr Web site http://www.polytech.univ-nantes.fr/blanchard/ Office-Phone Tél : (+33)2 40 68 30 99 Cellular phone Citizen French Date of birth 22/11/1978 Positions Held Since 2006 : Associate Professor - Polytech Nantes Education Year University Diploma 2005 Nantes (France) Ph.D. in Computer Science Memberships and functions within international/national institutions (3 maxi) - since 2010: administrative responsible for the KDD master in Polytech'Nantes. - since 2004: Researcher at the LINA, the Computer Science Laboratory of Nantes-Atlantic (UMR CNRS 6241), in the team Knowledge and Decision (KOD). Relations with foreign universities in particular in third countries (3 maxi) - Can Tho University (Vietnam) - Hochschule Hof (University of Applied Sciences, Hof - Germany) - Politehnica University of Bucarest (Romania)

Contacts and collaborations with industry (2 principal collaborations over the 4 last years) - CIFRE PhD grant with "VM Matériaux" (France) - CIFRE PhD grant with "UVICOM" (France) - Innovative project with "Telelogos SAS" (France) Short description of your expertise in the domain of Data Mining and/or Knowledge Management Frequent pattern mining Knowledge evaluation Knowledge visualization Publications (10 Maxi) a Journals : J. Blanchard, F. Guillet, H. Briand (2007). Interactive visual exploration of association rules with rulefocusing methodology. Knowledge and Information Systems 13(1), Springer, pp. 43-75 J. Blanchard, B. Pinaud, P. Kuntz, F. Guillet (2007). A 2D 3D visualization support for humancentered rule mining. Computers & Graphics 31(3), Elsevier Science, pp. 350-360 b Book Chapters : J. Blanchard, F. Guillet, P. Kuntz (2009). Semantics-based classification of rule interestingness measures. Post-Mining of Association Rules: Techniques for Effective Knowledge Extraction. Zhao Y., Zhang C., Cao L. (Eds.), IGI Global, pp. 56-79 X.-H. Huynh, F. Guillet, J. Blanchard, P. Kuntz, H. Briand, R.Gras (2007). A graph-based clustering approach to evaluate interestingness measures: a tool and a comparative study. Quality Measures in Data Mining, H. Hamilton and F. Guillet (Ed.), series "Studies in Computational Intelligence", vol. 43, Springer, pp. 25-49 c Conferences : T. Piton, J. Blanchard, H. Briand, F. Guillet (2009). Domain Driven Data Mining to Improve Promotional Campaign ROI and Select Marketing Channels. Proc. of the 18th ACM Conference on Information and Knowledge Management CIKM 2009, p. 1057-1066, ACM. J. Blanchard, F. Guillet, R. Gras (2007). On the discovery of significant temporal rules. In Proc. of the IEEE international conference on Systems, Man and Cybernetics SMC'2007, IEEE Computer Society Press, pp. 443-450 J. Blanchard, F. Guillet, R. Gras, H. Briand (2005). Using information-theoretic measures to assess association rule interestingness. In Proc. of the 5th IEEE international conference on Data Mining ICDM 05, IEEE Computer Society Press, pp. 66-73