000			02814cam a2200337 4500500
005			20250118083629.0
041			_afre
042			_adc
100	1	0	_aAzaza, Lobna _eauthor
700	1	0	_a Savonnet, Marinette _eauthor
700	1	0	_a Leclercq, Éric _eauthor
700	1	0	_a Kirgizov, Sergey _eauthor
700	1	0	_a Faiz, Rim _eauthor
245	0	0	_aÉvaluation de l’influence polarisée dans un réseau multirelationnel
260			_c2017.
500			_a16
520			_aL’étude de l’influence sur Twitter est un sujet de recherche intense, certains utilisateurs révèlent plus de capacité pour influencer 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 relationsmultiples.
520			_aInfluence 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.
690			_aréseau multirelationnel
690			_afonctions de croyance
690			_afusion d’information
690			_ainfluence
690			_aanalyse de sentiment
690			_asentiment analysis
690			_abelief theory
690			_ainformation fusion
690			_ainfluence
690			_amultirelational network
786	0		_nDocument numérique | 20 | 1 | 2017-12-19 | p. 67-100 | 1279-5127
856	4	1	_uhttps://shs.cairn.info/revue-document-numerique-2017-1-page-67?lang=fr&redirect-ssocas=7080
999			_c371967 _d371967