Analyse de Réseaux Sociaux Réels

18/01/10

Analyse de réseaux sociaux

Tour d’horizon

Pistes d’application pour le eMarketing

Cécile Bothorel, Département LUSSI

Cécile Bothorelpage 2 Département LUSSI

Quel point commun ?

Réseau physique d'Internet Graphe du Web qui modélise la structure

hypertextuelle du Web Réseaux sociaux en ligne Graphe de contact en épidémiologie Graphes d'échange en économie Graphe d'interactions protéines Réseaux sémantiques Réseau de co-auteurs Réseau de co-utilisation de tags


Quel point commun ?

http://complexnetworks.fr/


Graphes réels

Graphes réels, grands graphes terrain, complex networks

Propriétés structurelles communes

• faible densité en arcs,

• en moyenne des chemins courts (effet petit monde),

• existence de zones denses en arcs,

• incidence des sommets en loi de puissance. Structure de graphe rare d’un point de vue

probabiliste → un domaine de recherche jeune

→puise ses concepts dans l'analyse de réseaux sociaux

18/01/10


Généralités


Qu’est-ce qu’un réseau social ?

Point de vue utilisateur Point de vue analyste


Qu’est-ce qu’un réseau social ?

Entités sociales

• individus, • organisations…

Liens créés lors d’interactions sociales• relation d’amitié,• partenariat,• communication, • intérêt commun,• transmission de

maladie…



Décrire une population • non par les traits qui marquent ses membres (age, sexe,

revenu, niveau d'étude, etc.)

• mais par les relations entre eux Comprendre et interpréter la structure et le

comportement d’un réseau

Structure du point de vue performancePosition opportunités

Émergence de communautés


Comprendre un réseau



L’analyse des réseaux sociaux n’est pas une discipline nouvelle• 1933 : sociogramme de Jacob Levy Moreno

pour objectiver la dynamique du groupe

• 1954 : John A. Barnes introduit le terme « réseau social »

• 1967 : Stanley Milgram : effet du « petit monde », six degrés de séparation

• 1973 : Mark L. Granovetter : la force des contacts faibles

• 1998 : PageRank de Google : mesure de pertinence dans l’ordonnancement des réponses aux requêtes

http://fr.wikipedia.org/wiki/Fichier:Six_degrees_of_separation.png



Une multitude de représentations• Différents types de relations

- Relation directionnelle ou non (flux d’information)- Relation pondérée ou non (fréquence des interactions)- Relation unique ou multiple

• Différents types d’entités- Un seul type d’entités pour décrire un réseau d’amis, ou un réseau de blogs

ou de pages webs- Deux types d’entités pour décrire des relations médiatées : auteurs – articles,

acteurs - films



Des concepts de bases simples- Degré - Chemins (intermédiaires pour relier

deux nœuds, sans répéter les nœuds)- Longueur (nombre de liens séparant

deux nœuds)- Distance (longueur du plus court

chemin) = « distance géodésique »- Composantes (ensemble de nœuds

où chacun peut atteindre chacun des autres)

- Pont / cutpoint- Clique / quasi-clique- …

18/01/10


(1) Analyse de l’ensemble du réseau

(2) Analyse de positions

(3) Analyse de sous-groupes



Formes connues de graphes• Graphe aléatoire (Erdös et Rényi, 1959)• Scale-free : attachement préférentiel (A.-L. Barabasi & R.

Albert, 1999)• Réseau hiérarchique : scale-free dans les clusters (A.-L.

Barabasi et al., 2002)

• Petit-monde (D. Watts and S. Strogatz, 1998)

Barabasi & Oltvai, vol.5, p101 (february 2004)



Graphe aléatoire (Erdös et Rényi, 1959)

• N = 10 et p = 0.2. Le réseau croît de façon homogène (pN (N-1)/2 liens)

• La plupart des noeuds ont le même degré (proche de la moyenne)

• Petit monde



Scale-free : attachement préférentiel (A.-L. Barabasi & R. Albert, 1999)

• Modèle largement utilisé, trop ?

• Décrit une dynamique et une structure



Scale-free : attachement préférentiel (A.-L. Barabasi & R. Albert, 1999)• La distribution des degrés en loi de puissance

• Présence de hubs rouges qui ont attiré un grand nombre de voisins verts



• Réseau hiérarchique : scale-free dans les clusters (A.-L. Barabasi et al., 2002)

• Petit-monde : petit diamètre de l'ordre de log(N) et fort coefficient de clustering (D. Watts and S. Strogatz, 1998)

Barabasi & Oltvai, vol.5, p101 (february 2004)



Comprendre la structure globale• Taille• Distance moyenne, diamètre• Connectivité, densité des

relations • Distribution des degrés, la

variance des degrés• Transitivité – coefficient de

clustering• La centralité du graphe Réseau très central qui peut

« tourner » autour d’un nœud. Si ce nœud disparaît…



Comprendre la structure globale• Core/periphery• Cliques : nombre, taille des

cliques

18/01/10







Positions clés, rôles

• Localement exemple : fort degré – beaucoup de voisins

immédiats

• Globalementexemple : PageRank : être connecté à des

nœuds importants me donne plus d’importance que d’être connecté à des nœuds peu importants

prestigieux

influent

pertinence



Closeness centrality est l’inverse de la somme des distances entre ce nœud et chacun des autres

Betweenness centrality est le nombre de fois qu’un nœud se trouve sur le plus court chemin entre deux autres noeuds

1 0.73310 0.42311 0.42312 0.4232 0.4783 0.4784 0.4785 0.4786 0.4787 0.6118 0.6889 0.423

1 0.47310 0.00011 0.00012 0.0002 0.0093 0.0094 0.0095 0.0096 0.0097 0.1008 0.6189 0.000

Accès rapide à l’information d’où qu’elle parte

Médiateur



Centralité(s)• Basée sur les calculs de plus courts chemins

- Degree centrality (popularité, comportement grégaire)

- Betweenness centrality (médiateur ou goulot d’étranglement)

- Closeness centrality (proximité, sera informé plus rapidement)

- Flow betweenness (contribution à augmenter le flot)

• Basée sur les marches (on peut repasser par un nœud ou un lien plusieurs fois)- Bonacich power = eigenvector centrality (version itérative

de la centralité de degré) (importance, haut-risque d’infection)

- Katz, Hubbel (influence, « qui a entendu ce qu’il a dit ? »)

Liste de calculs disponibles dans l’outil UCINET

PageRank(être pointé par des sites importants rendimportant)



Liens faibles• Lien hors « triangle »• Liens d’ouverture qui donnent accès

à une variété d’information -> force des liens faibles (Granovetter, 1973)

• Exemple : 4 clusters (liens rouges) interconnectés par des liens faibles (gris)

– Plusieurs « hubs » ont tendance à se connecter : maximiser les échanges d’information

– Certains liens faibles vont donc se retrouver au centre de communautés plus large

– Pourtant certains liens faibles doivent rester faibles : ponts inter communautés, ils apportent de l’innovation



• Trous structuraux- Mesure la redondance des ego-networks (les « triangles »

incluant ego) (Burt, 1992) - Séparation entre deux contacts non redondants- Zones peu denses confèrent du pouvoir au centre- Proche de la betwenness et de la densité des ego-network

• Equivalence structurelle- Nœuds de même voisinage, même centralité…

• Equivalence Régulière- Les voisinages sont eux-même équivalents, assurent le

même rôle- Comme deux médecins, deux chefs d’équipe.

• …



Et puis de nouvelles métriques inventées tous les jours• Calcul d'influence dans twitter : RetweetRank• Détection de spam : SpamRank• Calculs de confiance : TrustRank, TidalTrust• Calculs de similarités : SimRank• ...

18/01/10







La délimitation en groupes n'est pas un a priori • On ne cherche pas qui appartient à une famille,

communauté ethnique ...

• Mettre en évidence une catégorie émergente, basée sur l'analyse de la topologie

En pratique, existence de zones denses



Recherche de groupes• Cliques (ou 1-cliques), k-

cliques : ensemble max de nœuds tous reliés à une distance k.

• K-plex (ensemble de n nœuds où chacun a un lien avec au moins n-k nœuds)

Clique et 2-clique

2-plex



Karate Club in an AmericanUniversity [Zachary 1977]

Détection de communautés• Formes plus lâches• Gros volumes de données• Thématique connaît un

renouveau avec l'étude de grands graphes réels



Quatre types d’approches (thèse P. Pons, 2007)• Classiques• Séparatives• Agglomératives• Marches aléatoires

P. Pons, 2007

Trouver la partitionP = {C1, . . . , Ck} qui optimise la

fonction de qualité Q(P)



Approches classiques• Partitionnement de graphe en k groupes

- Bissection spectrale (Spectral clustering) – théoriquement solide, basée sur le calcul de vecteur propre– Très coûteuse

- Méthode de Kernighan et Lin– Bissection en utilisant la coupe minimisant le nombre d’arêtes tombant

entre deux coupes

• Clustering hiérarchique- Mesure de similarité entre communauté (distance min, max ou

moyenne, ou des membres au centroïd de l’autre communauté)- Partant avec n communautés, méthode itérative où l’on fusionne des

communautés les plus proches- ou kmeans si on peut fixer k



Approches séparatives• On part d’une communauté unique puis à chaque étape, on

retire une relation provoquant un découpage en sous-communautés- Relation la plus centrale par exemple (Girwan et Newman, 2002)

• Critère d’évalutation de la division en communautés- La modularité Q cherche à produire un découpage où le nombre

d’arêtes reliant les groupes est plus petit que le nombre « attendu », i.e. si on avait découpé aléatoirement.



Approches agglomératives• On part de n communautés composées d’un seul nœud• Itérativement, on regroupe les nœuds en communautés, puis

les communautés entre elles, jusqu’à obtenir une seule communauté.

• Critère d’évalutation de la division en communautés- La modularité Q cherche à produire un découpage où le nombre

d’arêtes reliant les groupes est plus petit que le nombre « attendu », i.e. si on avait découpé aléatoirement.



Computing Communities in Large Networks Using Random WalksPascal Pons and Matthieu Latapy, Journal of Graph Algorithms and Applicationshttp://jgaa.info/ vol. 10, no. 2, pp. 191–218 (2006)

Marches aléatoires • Intuition : les marcheurs

vont se faire piéger dans des zones denses

• Un marcheur va avoir tendance à rester dans sa communauté si marche courte

• Distance : deux marcheurs proches vont voir le même voisinage

• Clustering hiérarchique par fusions successives de communautés

18/01/10


Cas d’application : le eMarketing

Cécile Bothorel, Laboratoire LUSSI


Buzz

du Buzz au Marketing viral


Examples de Buzz positif (1)

2006. L’association des deux produits aurait provoqué la mort d’un jeune brésilien.

Documents powerpoint circulent par email.

Coca Cola s’est montré assez distant au départ vis à vis de l’affaire tandis que Mentos l’a pleinement exploité.

Mentos : économie d’au moins dix millions en pub et +15% de ventes.

Coca Cola : doublé son trafic webFritz Grobe & Stephen Voltzhttp://eepybird.com/history.html

Effet geyser de l'association Mentos et Coca cola light


Examples de Buzz positif (2)

Lu sur http://www.mediassociaux.com/

Vidéos virales 2009 Evian : 55 millions de vues

certifiées par Visible Measures T-mobile : opération « Live for

Sharing » pour le lancement du téléphone G1 (Google Phone) en Grande Bretagne ? un vrai événement terrain

Samsung : « Sheep LED Art ». Volkswagen : « FunTheory »


Examples de buzz négatif (1)

Kryptonite et ses cadenas que l'on ouvre avec un stylo Bic

• Un simple post sur un forum spécialisé en 2004, une vidéo et 3 jours après, plus d'un million d'internautes étaient au courant

• coût estimé pour la société : 10 millions de $ John Mac Cain malmené sur YouTube pendant la

campagne présidentielle en 2008

• Vidéo « John McCain vs John McCain » montrant des incohérences de discours à propos de l'Irak, de la religion, des mariages gays

• Vidéo toujours commentée depuis le 26/01/07

http://intelligenceeconomiquealgerie.blogspot.com/2010/01/e-reputation-12-cas-significatifs.htmlLu le 5 janv 2010

http://intelligenceeconomiquealgerie.blogspot.com/2010/01/e-reputation-12-cas-significatifs.html


Examples de buzz négatif (2)

Les 3 suisses et la TV bradée (90% de réduction) a emflammé le web • Groupes FB• « google bombing » : la marque sort en tête à la

requête « inadmissible incompétence »• Résultat obtenu grâce à (à cause ) d'une dizaine de

bloggueurs Dominos Pizza réagit efficacement

• « garniture très spéciale» de pizzas en vidéo. • Excuses publiques, compte Twitter Corporate

http://intelligenceeconomiquealgerie.blogspot.com/2010/01/e-reputation-12-cas-significatifs.htmlLu le 5 janv 2010

http://intelligenceeconomiquealgerie.blogspot.com/2010/01/e-reputation-12-cas-significatifs.html


Buzz

Bad buzz ou Stratégie bien ficelée ?

Tentant mais • difficilement maîtrisable car

fonctionne par bouche à oreille, le message peut être déformé

• durée de vie limitée, un buzz en chasse un autre

Les recettes pour faire du bu$$ : un marché à part entière


Marketing viral

A la différence du buzz, il s’agit d’une vraie campagne marketing

Un vrai message Particularité, ce sont les

clients qui véhiculent ce message

Actuellement, beaucoup de marques « utilisent » les médias sociaux


Réseaux sociaux et Marketing viral

Viadeo, le réseau social, vient de conclure un partenariat avec Hotel Reservation Service (HRS)

• HRS : nouveaux clients par “recommandation”, sans campagne publicitaire, en faisant juste un effort financier sur le prix des hôtels

• Viadeo vend des abonnements, fidélise ses membres, qui vont attirer leurs relations…

Mais aussi partenariat avec

• Msn Messenger,

• Club IGR (association des diplômés de l’IAE de Rennes),

• Partenariat avec l'Apec démarre en janv. 2010 : communauté Apec, consultation du profil viadéo des candidats par les recruteurs

• ...


Facebook met en avant des marques

Réseaux sociaux et Marketing viral

La marque vous invite à parrainer le message, à commenter et à propager.


Réseaux sociaux et eMarketing

Enjeu : Maîtriser le Bouche à oreille Comprendre la structure des sites communautaires,

mais également des réseaux de sites

Comment choisir le blogguer qui pourra mieux parler d'un produit/service ?

Par quel utilisateur twitter se faire suivre ?A quels clients proposer un produit en beta-test ?



Analyse de réseaux sociaux• Déterminer les individus par qui la compagne doit

démarrer/passer- Les leaders d’opinions (calcul de popularité – centralité de degré,

pageRank)- Les médiateurs (calcul de centralité « stress », « betwenness ») : les

acteurs qui contrôlent la propagation de l’information en tant que passages obligés

- Les points de référence (calcul de centralité « closeness ») : individus les plus proches de tous



Analyse de réseaux sociaux• Prédire la vitesse, la couverture de la diffusion

- Calcul de plus courts chemins, de flots maximum- Une rumeur sera plus efficace si elle provient de plusieurs sources

différentes

• Social contagion- Simulation sociale- Outils Repast, NetLogo...

Démo



Avec une analyse sémantique, on peut délimiter des communautés thématiques• Cibler les campagnes• Détecter les tendances• Les membres situés à la périphérie des communautés

peuvent servir de passerelle inter-communautés



Mais ... • Collecte des données pour faire

l'analyse du réseau...

• Peut-on intervenir sur la structure pour la rendre plus efficace ?

• Comprendre, modéliser le réseau de confiance/opinions : un calcul de force des liens ? Un TrustRank ?

Networks, Crowds, and Markets: Reasoning About a Highly Connected World By David Easley and Jon Kleinberg, à paraître en 2010



Et puis surtout• Créer un vrai contenu, en faciliter la réplication

• Surprendre• Mobiliser un réseau social, valoriser les clients qui se

prêtent au jeu. Le client est ROI...• Mesure de succès ?

18/01/10


Conclusion

Cécile Bothorel, Laboratoire LUSSI


Domaines d’application

Marketing … mais aussi : Recherche d’information

• Ordonnancement des résultats d’une requête, désambiguïsation linguistique, nuage de tags contextuels à une requête…

Recommandation • Prédiction d’opinion pour le cinéma, musique…

Terrorisme • Acteurs clés dans un réseau d’interaction

Médecine – épidémiologie• Prédiction de contamination

Transport, Biologie…


Les travaux actuels

Actuellement • On sait analyser

finement des petits graphes (quelques centaines de nœuds)

• Des données TIC maintenant accessibles et volumineuses

→ Grands graphes réels


Les travaux actuels

Grands graphes réels • On sait décrire globalement et statiquement ces graphes

- difficulté à décrire la dynamique, travaux sur la prédiction de liens- difficulté de calculer les métriques riches issues de l'analyse des réseaux

sociaux

• On commence à faire des approximations des mesures pour des très grands graphes simples- Exemple : approximation de la distance moyenne ou le diamètre

• Algorithmique empirique- Revisite les algorithmes pour les graphes « réels » pour tirer partie des

propriétés observées- Problèmes spécifiques à des jeux de données : exemple hypergraphes

pour les folksonomies


Les travaux actuels

Problèmes• comment collecter des données fidèles ? Vues partielles en pratique

• comment les modéliser pour ne pas perdre trop d’information ?

• comment analyser/prédire la dynamique ? - Au sens flux (probabilité d’être touché par une maladie ?)- Au sens structure (formation, fusion, dissolution de communautés)

• comment visualiser les grands réseaux ?

• comment savoir si les communautés découvertes sont pertinentes ? comparer les résultats de méthodes différentes ?

Vers une théorie de la complexité• des propriétés statiques communes mises en évidence

• trouver des caractéristiques communes de la dynamique des systèmes complexes (Barabasi, www.sciencemag.org, Science, Vol 325, 24 july 2009)

http://www.sciencemag.org/


Merci http://www.slideshare.net/cecile_b/analyse-de-rseaux-sociaux-rels

Analyse de Réseaux Sociaux Réels

Technology

Transcript of Analyse de Réseaux Sociaux Réels