Exploration de micro-posts d'actualité : représentation, structuration et description

Exploring actuality micro-posts : representation, structuring and description

• Auteur / Autrice : Olivier Gracianne
• Direction : Thi Bich Hanh Dao
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 13/12/2023
• Etablissement(s) : Orléans
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique fondamentale d'Orléans (Orléans ; 1987-....)
• Jury : Président / Présidente : Jean-Yves Antoine
• Jury : Examinateurs / Examinatrices : Mathieu Valette, Christel Vrain
• Jury : Rapporteurs / Rapporteuses : Hubert Naacke, Mathieu Roche

Mots clés

Mots clés contrôlés

Réseaux sociaux (Internet)

Traitement automatique du langage naturel

Apprentissage automatique

Exploration de données

Architecture dataflow

Informatique -- Recherche

Mots clés libres

Micro-Posts

Plongement de mot et de document

Clustering

Description de clustering

Micro-Posts

Word and document embedding

Clustering

Clustering description

Résumé

Les réseaux sociaux où sont échangés des messages courts sont devenus des sources de premier choix pour le suivi d'objet d'actualités. Les sources de ce relais d'information sont ainsi très variées, permettant de couvrir la grande majorité des aspects de ces objets. De plus, l'information est diffusée quasiment en temps réel. Traiter les données issues de ce type de plate-forme est donc devenu un objectif clef pour le monde de la recherche comme celui de l'industrie. Les présents travaux portent sur l'exploitation de ces données. L'objectif est de décrire les données issues de tels réseaux pour permettre de les rendre accessibles à un utilisateur final. Nous proposons de traiter le problème à travers la représentation, la structuration et finalement la description des données reçues. Pour pouvoir baser nos raisonnements et procédures sur la sémantique véhiculée par les données, nous procédons à leur changement de représentation. Cette étape est opérée avec un modèle d'apprentissage automatique adapté à nos besoins, Doc2Vec, produisant des représentations sémantiques raffinées. Ces vecteurs peuvent ensuite être exploités pour détecter la structuration sous-jacente de ces données. Cette étape prend la forme d'un clustering basé sur la mesure de similarité accessible dans l'espace de représentation des micro-posts captés. Ce découpage permet d'identifier les manifestations de la cible écoutée que l'on peut repérer dans les données. Nous proposons finalement d'exploiter cette partition et le contenu des messages pour identifier des composants de descriptions pertinents. Ces descripteurs, issu du corps même des messages, doivent être représentatifs de l'ensemble où ils ont été sélectionnés. Ils permettent ainsi la construction de description de la partition. Nous introduisons d'abord à cette fin un modèle de Programmation Linéaire en Nombres Entiers, et ensuite une méthodologie basée sur le clustering et la mesure de l'impact des mots sur la position du vecteur de leur document. C'est finalement à travers l'ensemble formé par les descriptions des aspects de la cible écoutée sur les réseaux que nous proposons de la décrire.

Social networks where short messages are exchanged have become prime sources for tracking current events. These information relay sources come from a wide variety of origins, allowing for coverage of the vast majority of the aspects of these events. Furthermore, information is shared almost in real-time. Managing data from such platforms has thus become a key objective for both the academic research and the industry.The present work focuses on the exploitation of this data. The aim is to describe data from such networks in order to make them accessible to an end user. We propose to tackle this problem through data representation, structuring, and ultimately, description.To base our reasoning and procedures on the semantics conveyed by the data, we proceed with their representation change. This step is performed using a machine learning model well suited to our needs, Doc2Vec, which produces refined semantic representations.These vectors can then be utilized to detect the underlying structure of the data. This step takes the form of clustering based on the measure of similarity accessible in the representation space of the captured micro-posts. This partitioning allows us to identify manifestations of the target event that can be found in the data. Finally, we propose to exploit this partition and the content of the messages to identify relevant description components. These descriptors, derived from the very body of the messages, must be representative of the set in which they were selected. They thus enable the construction of a description of the partition. To this end, we first introduce an Integer Linear Programming model, and then a methodology based on the obtained clustering and the measurement of the impact of words on the position of their document vector. In the end, we propose to describe the event listened on the social media through the set formed by the descriptions of its identified aspects.