Analyse, détection et quantification de la controverse dans les médias sociaux par l’utilisation de modèle d’apprentissage profond sur des données structurelles et textuelles - TEL - Thèses en ligne
Thèse Année : 2023

Analysis, detection and quantification of controversy on social media using deep learning models on structural and textual data

Analyse, détection et quantification de la controverse dans les médias sociaux par l’utilisation de modèle d’apprentissage profond sur des données structurelles et textuelles

Samy Benslimane

Résumé

In recent years, the massive use of social networks and the large number of usersinvolved has been an essential source for studies and analyses, on a variety of tasks.Controversy on social media is one such task studied in the scientific literature. Contro-versial topics are defined as subjects where there is widespread disagreement betweenusers on a specific event, showing a wide divergence of opinions. They are often repre-sented by sometimes highly polemical debates or contestations around sensitive topicsor statements that do not meet with unanimous approval. The aim of this project is tostudy controversy as a whole on social networks, by investigating both the textual andstructural properties of these topics, based on recent deep learning methods.The advent of machine learning, and more specifically deep learning methods,has led to improved representation of data of all types, using more complex learningtechniques. In this thesis, we focus on 2 types of domain in particular :• Natural language processing (NLP), in order to learn complex textual represen-tation using deep models based on attention mechanisms, such as BERT.• Graph processing, in order to learn how to represent unstructured data such asgraphs. To this end, we are studying the progress made in graph neural networks(GNNs), and the methods derived from them.In this thesis, we will present through four parts : (1) the state of the art in contro-versy analysis methods and graph neural networks, (2) a method to explain controver-sial topics by analyzing content of Twitter communities, (3) a graph and text basedmethod to quantify controversial topics on Twitter, based on user polarization aroundcommunities. (4) a method for early prediction of controversial posts from Redditdiscussion between users.Keywords – Machine learning, Graph neural networks, Natural language processing, auto-matic detection, Controversy, Explainability, Social media
Ces dernières années, l’utilisation massive des réseaux sociaux et le nombre im-portant d’utilisateurs impliqués a été une source incontournable pour les études etanalyses, sur différentes tâches. La controverse sur les médias sociaux est une de cestâches étudiées dans la littérature scientifique. Les sujets controversés sont définiscomme des sujets portant un désaccord entre les utilisateurs sur un événement spéci-fique, montrant une grande divergence d’opinions. Ils sont souvent représentés pardes débats ou contestations parfois très polémiques autour de sujets sensibles ou dedéclarations ne faisant pas l’unanimité. Ce projet a pour objectif d’étudier la contro-verse dans son ensemble sur les réseaux sociaux, en étudiant à la fois les propriétéstextuelles et structurelles de ces sujets, en se basant sur des méthodes d’apprentissageprofond récent.L’avènement de l’apprentissage automatique et plus spécifiquement de l’apprentis-sage profond a conduit à une amélioration de la représentation des données de touttype, à l’aide de techniques d’apprentissage plus complexes. Dans cette thèse, nousnous intéressons en particulier à 2 types de domaines en particulier :• Le traitement automatique de la langue (TAL), afin d’apprendre à représenter letexte à partir de modèles complexes, tels que BERT.• Le traitement des graphes, permettant d’apprendre à représenter des données nonstructurées telles que les graphes. Nous étudions pour cela les progrès faits dansl’apprentissage des réseaux de neurones graphiques (GNNs), et les méthodesqui en découlent.Dans cette thèse, nous présenterons à travers quatre parties : (1) l’état de l’artautour des méthodes d’analyse de la controverse ainsi que des réseaux de neuronesgraphiques, (2) une méthode de prédiction des sujets controversés à partir des réponsesentre utilisateurs sur Reddit, (3) une méthode permettant d’expliquer d’un point devue textuelle les sujets controversés en analysant les communautés sur Twitter, (4)Une méthode basée sur les graphes et le texte pour quantifier la controverse des sujetssur Twitter, en se basant sur la polarisation des utilisateurs autour de communautés.Mots-clés –Apprentissage automatique, Réseau de neurones graphiques, Traitement auto-matique de la langue, Détection automatique, Controverse, Explicabilité, Médias sociaux
Fichier principal
Vignette du fichier
BENSLIMANE_2023_archivage.pdf (5.88 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04543015 , version 1 (11-04-2024)

Identifiants

  • HAL Id : tel-04543015 , version 1

Citer

Samy Benslimane. Analyse, détection et quantification de la controverse dans les médias sociaux par l’utilisation de modèle d’apprentissage profond sur des données structurelles et textuelles. Analyse numérique [cs.NA]. Université de Montpellier, 2023. Français. ⟨NNT : 2023UMONS059⟩. ⟨tel-04543015⟩
101 Consultations
141 Téléchargements

Partager

More