Intégrer les connaissances préalables pour le clustering de réseaux sociaux
Présenté par : Alexis Pister (Université Paris-Saclay, CNRS, Inria, LRI) ; Discutant : Pascal Cristofoli (LaDéHiS-CRH-EHESS & Ined)
Nous proposons une nouvelle approche – appelée PK-clustering – et une interface utilisateur d’analyse visuelle pour aider les chercheurs en sciences sociales à créer et à valider de manière itérative des clusters en utilisant à la fois leurs connaissances préalables et le consensus entre les algorithmes de clustering. De nombreux algorithmes de clustering existent, mais leurs résultats sont souvent difficiles à interpréter et à évaluer en tenant en compte les connaissances préalables de l’utilisateur. Nous pensons que notre approche de calcul de clusters offre une nouvelle méthode constructive pour créer des connaissances de manière itérative tout en évitant d’être trop influencé par les résultats des algorithmes de calcul de clusters de type « boîte noire » souvent sélectionnés de manière arbitraire.
Alexis Pister
Alexis Pister est doctorant en visualisation et analyse de données au sein de l’équipe AVIZ de l’Inria et SID de Telecom Paris. Il travaille sur des outils de visualisation et d’analyse de réseaux sociaux construits à partir de documents historiques, et plus précisément sur le clustering ainsi que l’analyse par motifs de ces réseaux. Ses travaux ont pour but de créer des outils compréhensifs et centrés sur l’utilisateur.