Contribution to overlapping communities detection for the analysis of complex transactional networks
Contribution à la détection de communautés chevauchantes pour l'analyse des réseaux transactionnels complexes
Résumé
Social network analysis is based on the study of social interactions to understand individual and collective behaviors in complex systems.Social networks can be represented as graphs, which are mathematical data structures, to model them and study their properties.One of the many problems related to the analysis of social networks concerns the detection of communities, which aims at identifying strongly related groups.This thesis is motivated by the study of community detection on transaction data from the Orange Money financial service.These transactions are modeled by a multigraph where the nodes represent the users of the service, and the links represent their exchanges.In this thesis, we are interested in the detection of overlapping communities.This type of community reflects reality by associating each individual to several communities simultaneously.Different algorithms have been tested for this purpose.Given the sensitive nature of the data, our tests were performed on synthetic data inspired by the real uses of the financial service.The graphs studied are very large and can have several million nodes and edges.It is in this sense that the first contribution of the thesis concerns the comparison of different methods for reducing a multigraph.The objective of these methods is to transform the multigraph into a simple weighted graph in order to facilitate the manipulation, storage and analysis phases.A comparative study has allowed us to determine if the reduction of the multigraph impacts the quality of the obtained communities.In the second contribution, we propose four new extrinsic evaluation metrics for the detection of overlapping communities.These metrics are compared to the state-of-the-art metrics in order to estimate their effectiveness.
L’analyse des réseaux sociaux est fondée sur l’étude des interactions sociales pour la compréhension des comportements individuels et collectifs au sein des systèmes complexes.Les réseaux sociaux peuvent être représentés sous forme de graphes, qui sont des structures de données mathématiques, pour les modéliser et étudier leurs propriétés.Une des nombreuses problématiques liées à l’analyse des réseaux sociaux concerne la détection de communautés qui vise à identifier des groupes fortement connectés.Cette thèse est motivée par l’étude de la détection des communautés sur des données de transactions issues du service financier Orange Money.Ces transactions sont modélisées par un multigraphe où les nœuds représentent les utilisateurs du service, et les liens représentent leurs échanges.Au cours de cette thèse, on s’intéresse à la détection de communautés chevauchantes.Ce type de communautés reflète bien la réalité en associant chaque individu à plusieurs communautés à la fois.Différents algorithmes ont été testés à cet effet.Compte tenu de la nature sensible des données, nos tests ont été effectués sur des données synthétiques inspirées des utilisations réelles du service financier.Les graphes ainsi étudiés sont très volumineux et peuvent comporter plusieurs millions de nœuds et d’arêtes.C’est dans ce sens que la première contribution de la thèse porte sur la comparaison de différentes méthodes de réduction d’un multigraphe.L’objectif de ces méthodes est de transformer le multigraphe en graphe simple pondéré afin de faciliter les phases de manipulation, de stockage, et d’analyse.Une étude comparative a permis de déterminer si la réduction du multigraphe impacte la qualité des communautés obtenues.Dans la deuxième contribution, nous proposons quatre nouvelles métriques d’évaluation extrinsèques pour la détection des communautés chevauchantes.Ces métriques sont comparées aux métriques de l’état de l’art afin d'estimer leur efficacité.
Fichier principal
sygal_fusion_43407-el_ayeb-safa_65f8165146dd0.pdf (4.02 Mo)
Télécharger le fichier
| Origine | Version validée par le jury (STAR) |
|---|