Éditeur(s) : HAL CCSD Hermann-Éditions
Résumé : International audience
Dans le domaine des réseaux sociaux, la recherche de motifs fréquents correspond à l'extraction de sous-graphes retrouvés fréquemment dans un réseau ou un ensemble de réseaux. Contrairement aux approches classiques qui s'appuient uniquement sur des régularités structurelles, nous présentons dans ce travail l'outil GT-FLMin, capable d'exploiter les informations sur la structure pour extraire des régularités dans les liens qui connectent des noeuds similaires du point de vue de leurs caractéristiques. Nous appelons de tels motifs des liens fréquents.
Extraction et gestion des connaissances
Bordeaux, France

hal-00768426
https://hal.archives-ouvertes.fr/hal-00768426

Éditeur(s) : HAL CCSD Hermann-Éditions
Résumé : International audience
Cet article présente FLMin, une nouvelle méthode d'extraction de motifs fréquents dans les réseaux sociaux. Contrairement aux méthodes traditionnelles qui s'intéressent uniquement aux régularités structurelles, l'originalité de notre approche réside dans sa capacité à exploiter la structure et les attributs des noeuds pour extraire des régularités, que nous appelons "liens fréquents", dans les liens entre des noeuds partageant des caractéristiques communes.
Extraction et gestion des connaissances
Bordeaux, France

hal-00768408
https://hal.archives-ouvertes.fr/hal-00768408

Éditeur(s) : HAL CCSD
Résumé : International audience
La recherche de liens conceptuels fréquents (FCL) est une nouvelle approche de clustering de réseaux, qui exploite à la fois la structure et les attributs des noeuds. Bien que les travaux récents se soient déjà intéressés à l’optimisation des algorithmes de recherche des FCL, peu de travaux sont aujourd’hui menés sur la complémentarité qui existe entre les liens conceptuels et l’approche classique de clustering qui consiste en l’extraction de communautés. Ainsi dans ce papier, nous nous intéressons à ces deux approches. Notre objectif est d’évaluer les relations potentiellement existantes entre les communautés et les FCL pour comprendre la façon dont les motifs obtenus par chacune des méthodes peuvent correspondre ou s’intersecter ainsi que la connaissance utile résultant de la prise en compte de ces deux types de connaissance. Nous proposons pour cela un ensemble de mesures originales, basées sur la notion d’homogénéité, visant à évaluer le niveau d’intersection des FCL et des communautés lorsqu’ils sont extraits d’un même jeu de données. Notre approche est appliquée à deux réseaux et démontre l’importance de considérer simultanément plusieurs types de connaissance et leur intersection.
Extraction et gestion des connaissances
Rennes, France

hal-01312560
https://hal.archives-ouvertes.fr/hal-01312560

Éditeur(s) : HAL CCSD
Résumé : Works presented in this report were related to the extraction of interesting models in data mining and in the context of information system modeling.
Les travaux présentés dans ce mémoire, ont été développés sur le thème de la découverte de motifs intéressants à travers la fouille de données et mis en oeuvre dans le cadre de la conception de systèmes d'information. Ils sont essentiellement consacrés aux problèmes soulevés par l'étape de fouille pour la découverte de modèles et de motifs fréquents. Ils sont à la fois d'ordre méthodologique et applicatif.
https://tel.archives-ouvertes.fr/tel-01059407

tel-01059407
https://tel.archives-ouvertes.fr/tel-01059407
https://tel.archives-ouvertes.fr/tel-01059407/document
https://tel.archives-ouvertes.fr/tel-01059407/file/HDR.pdf

Éditeur(s) : HAL CCSD
Résumé : International audience
L'extraction de motifs séquentiels fréquents dans les data streams est un enjeu important traité par la communauté des chercheurs en fouille de données. Plus encore que pour les bases de données, de nombreuses contraintes supplémentaires sont à considérer de par la nature intrinsèque des streams. Dans cet article, nous proposons un nouvel algorithme en une passe : SPAMS, basé sur la construction incrémentale, avec une granularité très fine par transaction, d'un automate appelé SPA, permettant l'extraction des motifs séquentiels dans les streams. L'information du stream est apprise à la volée, au fur et à mesure de l'insertion de nouvelles transactions, sans pré-traitement a priori. Les résultats expérimentaux obtenus montrent la pertinence de la structure utilisée ainsi que l'efficience de notre algorithme appliqué à différents jeux de données.
EGC'09 : Extraction et Gestion des Connaissances
Strasbourg, France

lirmm-00345563
https://hal-lirmm.ccsd.cnrs.fr/lirmm-00345563