CORNET

Ces scripts ont été conçus dans deux buts : Calculer la centralité d’opinion, une nouvelle mesure de centralité pour les réseaux multiplexes. La comparer à d’autres mesures de centralité multiplexe existantes. Nos scripts ont été appliqués à une collection de réseaux multiplexes obtenus à partir de sources publiques et fournis dans notre dépôt GitHub. L’outil lui-même, les données et les résultats expérimentaux sont tous décrits dans l’article ci-dessous. URL : https://github.com/CompNet/MultiplexCentrality Date de production : 2015–2016 Publication liée :  Alexandre Reiffers et Vincent Labatut. « Opinion-based centrality in multiplexnetworks : A convex optimization approach ». In : Network Science 5(2):213-234 (2017). DOI: 10.1017/nws.2017.7. ⟨hal-01486629⟩  (article à citer si vous utilisez le logiciel)

Ces scripts ont été conçus pour générer différents types de graphes spatiaux et calculer certaines propriétés topologiques. Plus précisément, l’objectif ici est d’étudier les réseaux dits orbitèles, qui imitent les toiles d’araignées typiques, en mettant l’accent sur la mesure de Rectitude. URL : https://github.com/geomatique/SpiderNet Date de production : 2014–2016 Publications liées :  Didier Josselin, Vincent Labatut et Dieter Mitsche. « Straightness of rectilinear vs.radio-concentric networks : modeling, simulation and comparison ». In : 7th AnnualSymposium on Simulation for Architecture and Urban Design (SimAUD). London, UK,2016, p. 95-102. SimAUD ⟨hal-01367824⟩ (article à citer si vous utilisez ce logiciel) Didier Josselin, Sonia Chekir, Alain Pasquet, Vincent Labatut, Yvan Capowiez,Christophe Mazzia, Yezekael Hayel, Adrien Lammoglia, Cyrille Genre-Grandpierre,Dieter Mitsche et Frédéric Patras. « Modélisation, simulation et analyse de propriétésde réseaux orbitèles ». In : Revue Internationale de Géomatique / International Journalof Geomatics and Spatial Analysis 25(4):515-536 (2015). DOI: 10.3166/RIG.25.515-536. ⟨hal-01249881⟩  

Ces scripts sont destinés à extraire certaines caractéristiques à partir de données brutes de Twitter décrivant les utilisateurs (tweets, informations de profil ainsi que des données externes). Une fois les caractéristiques extraites, différentes formes de SVM (machines à vecteurs de support) sont entraînées et des régressions logistiques sont effectuées pour classifier ces utilisateurs. Ces opérations sont menées sur différents sous-groupes de caractéristiques. Les détails du processus sont donnés dans les publications ci-dessous. Les scripts ont été appliqués à la classification des utilisateurs de Twitter en termes d’influence hors ligne, sur la base du jeu de données RepLab 2014. URL : https://github.com/CompNet/Influence Date de production : 2014–2015 Publications liées : Jean-Valère Cossu, Vincent Labatut et Nicolas Dugué. « A Review of Featuresfor the Discrimination of Twitter Users : Application to the Prediction of OfflineInfluence ». In : Social Network Analysis and Mining (SNAM) 6:25 (2016). DOI:10.1007/s13278-016-0329-x. ⟨hal-01203171⟩ Jean-Valère Cossu, Nicolas Dugué et Vincent Labatut. « Detecting Real-WorldInfluence Through Twitter ». In : 2nd European Network Intelligence Conference (ENIC).Karlskrona, SE : IEEE Publishing, 2015, p. 83-90. DOI: 10.1109/ENIC.2015.20.⟨hal-01164453⟩ (publication à citer si vous utilisez ce code source)

Ce logiciel vise à étudier les capitalistes sociaux, qui constituent un type spécifique d’utilisateurs de services de réseaux sociaux tels que Twitter. L’outil est générique, il peut donc être appliqué à des systèmes complètement différents, tant qu’ils peuvent être représentés sous forme de réseaux orientés (c’est-à-dire des digraphes). Nous avons appliqué notre outil à Twitter dans plusieurs articles de recherche, détaillés ci-dessous. Notre travail a également été mentionné sur le blog MIT Technology review. URL : https://github.com/CompNet/Orleans Date de production : 2013–2014 Publications liées : Nicolas Dugué, Vincent Labatut et Anthony Perez. « A Community Role ApproachTo Assess Social Capitalists Visibility in the Twitter Network ». In : Social NetworkAnalysis and Mining (SNAM) 5:26 (2015), p. 26. DOI: 10.1007/s13278-015-0266-0.⟨hal-01163741⟩ Nicolas Dugué, Vincent Labatut et Anthony Perez. « Identifying the CommunityRoles of Social Capitalists in the Twitter Network ». In : IEEE/ACM InternationalConference on Advances in Social Network Analysis and Mining (ASONAM). Beijing,CN : IEEE Publishing, 2014, p. 371-374. DOI: 10.1109/ASONAM.2014.6921612.⟨hal-01011910⟩ (publication à citer si vous utilisez ce logiciel) Nicolas Dugué, Vincent Labatut et Anthony Perez. « Identification de rôles communautairesdans des réseaux orientés, appliquée à Twitter ». In : 14ème ConférenceExtraction et Gestion des Connaissances (EGC). Rennes, FR, 2014, p. Plus d'infos

Ces scripts implémentent plusieurs mesures permettant de comparer deux structures de communautés, c’est-à-dire deux partitions de l’ensemble des nœuds d’un graphe donné. Elles se basent sur des mesures populaires définies dans le domaine de l’analyse de clusters, à savoir : Pureté (également connue sous de nombreux autres noms dans la littérature, tels que pourcentage correct, précision, etc.) Indice de Rand et sa version ajustée. Information mutuelle normalisée. Les variantes implémentées ici tiennent compte de la structure du réseau, un aspect essentiel de la structure communautaire qui est sinon complètement ignoré dans les mesures standard. URL : https://github.com/CompNet/TopoMeasures Date de production : 2012–2016 Publications liées : Vincent Labatut. « Generalized Measures for the Evaluation of Community DetectionMethods ». In : International Journal of Social Network Mining (IJSNM) 2(1):44-63(2015). DOI: 10.1504/IJSNM.2015.069776. ⟨hal-00802923⟩ (article à citer si vous utilisez ce logiciel) Vincent Labatut. « Une nouvelle mesure pour l’évaluation des méthodes de détectionde communautés ». In : 3ème Conférence sur les modèles et l’analyse de réseaux : approches mathématiques et informatiques (MARAMI). Villetaneuse, FR, 2012, 12p. MARAMI ⟨hal-00743888⟩