Deep graphical models and inference strategies for the analysis of networks comprising textual edges
Modèles graphiques profonds et stratégies d'inférence pour l'analyse de réseaux comprenant du texte sur les arêtes
Résumé
In this manuscript, we shall develop new methodologies to cluster nodes of networks,
possibly holding textual edges. We aim at providing an end-to-end modelling, capable of
using the texts exchanged between the nodes as well as the network topology to extract
salient information at the core of the dataset. This work is motivated by questions arising
in different fields such as social sciences. Gathering and understanding large datasets from
social media may help researchers to answer questions, regarding the way a policy may be
perceived, for instance. We adopt a probabilistic modelling framework to classify nodes and
analyse texts. Among other things, these models provide information on the uncertainty of
our estimates as well as a framework that has proven to be robust historically. Furthermore,
in order to benefit from the efficiency of deep neural networks to encode complex types of
data, our methodologies strive to include them within a probabilistic framework. Several
analyses of real data are provided. In particular, during several months preceding the
2017 French presidential election, each publication of one social media, as well as their republications,
involved with one of the candidates were gathered to form a data base. Our
methodology helps understanding the groups present on the social media as well as the way
interactions were taking place during this particular time period. Python implementations
associated with the methodologies developed in this manuscript have been made public.
Dans ce manuscrit, nous développerons de nouvelles méthodologies pour regrouper les
noeuds de réseaux comportant, éventuellement, des arêtes textuelles. Notre objectif est
de fournir une modélisation de bout-en-bout, capable d’utiliser les textes échangés entre
les noeuds ainsi que la topologie du réseau pour extraire les motifs à l’origine de ce jeu de
données. Ce travail est motivé par des questions qui se posent dans différents domaines
comme en sciences sociales par exemple. La collecte et la compréhension de gros volumes
de données provenant des réseaux sociaux peuvent, par exemple, aider les chercheurs à
répondre à des questions concernant la manière dont une politique est perçue. Nous
adoptons un cadre de modélisation probabiliste pour classifier les noeuds et analyser les
textes. Entre autres, ces modèles renseignent sur l’incertitude de nos estimations et
fournissent un cadre qui s’est avéré robuste historiquement. De plus, afin de bénéficier de
l’efficacité des réseaux de neurones profonds pour encoder des types de données complexes,
nos méthodologies combinent les modèles probabilistes avec les derniers avancement dans
ce domaine. Plusieurs analyses de données réelles sont fournies. En particulier, durant
plusieurs mois précédant l’élection présidentielle française de 2017, chaque publication d’un
média social, ainsi que leurs rediffusions, impliquant l’un des candidats ont été rassemblées
dans une base de données. Notre méthodologie permet de comprendre les groupes présents
sur les réseaux sociaux ainsi que la manière dont les interactions se sont établies au cours
de cette période particulière. Les implémentations Python associées aux méthodologies
développées dans ce manuscrit ont été rendues publiques.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
