Search

International audience; L’utilisateur est la source principale de l’information diffusée dans les médias sociaux et mais il est, en même temps, influencé par les informations partagées sur les réseaux. Le phénomène de buzz, c’est-à-dire faire « du bruit » autour d’une information (fait ou rumeur) pour que plusieurs utilisateurs soient intéressés par celle-ci simultanément, peut être défini comme une information populaire dans un temps spécifique. Notre étude porte sur l’influence de l’enrichissement dynamique de profil utilisateur (Mezghani et al., 2014) sur la propagation des buzz avec application au réseau social Delicious. Delicious contient des annotations sociales (tags) fournies par les utilisateurs et qui contribuent à influencer les autres utilisateurs afin de suivre certaines informations ou de les utiliser. Notre étude suit la méthodologie suivante : 1) nous analysons la propagation des tags considérés comme des buzz dans le temps, 2) nous appliquons l’enrichissement dynamique de profil utilisateur et nous étudions l’influence de cet enrichissement dans la propagation de buzz, 3) nous analysons si l’approche d’enrichissement anticipe la propagation de buzz. Nous montrons dans cet article l’intérêt, lors de l’enrichissement de profil, de filtrer les informations afin de proposer des résultats pertinents à l’utilisateur et éviter de « mauvaises » recommandations.

International audience; Les entrepôts de données contiennent des données sensibles qui doivent être protégées contre les accès non autorisés, aussi bien directs que par inférence. Les accès directs sont contrôlables par des autorisations gérées par le serveur OLAP. Cependant, ce dernier n'offre pas de mécanismes pour protéger l'entrepôt contre deux types d'inférences : les inférences précises permettant la déduction de valeurs exactes des mesures, et les inférences partielles permettant d'avoir une idée grossière sur les valeurs des mesures. Dans cet article, nous proposons une approche pour la sécurisation des entrepôts de données qui, d'une part, interdit les inférences partielles dans le cas des requêtes utilisant la fonction d'agrégation Sum et, d'autre part, empêche les inférences précises dans le cas des requêtes utilisant les fonctions d'agrégation Min ou Max. Pour ce faire, nous exploitons les méthodes statistiques contre les inférences partielles, et les réseaux Bayésiens contre les inférences précises.

International audience; L’utilisateur social est caractérisé par son activité sociale comme le partage d’informations et l’établissement de relations avec d’autres utilisateurs. Avec l’évolution du contenu social, l’utilisateur a besoin d’informations plus précises qui reflètent ses intérêts. Nous nous concentrons sur la détection des intérêts de l’utilisateur qui sont des éléments clés pour améliorer l’adaptation (recommandation, personnalisation, etc.). L’originalité de notre approche est basée sur la proposition d’une nouvelle technique de détection des intérêts qui analyse le réseau des relations d’un utilisateur et aussi la précision de leurs comportements d’annotation dans le but de sélectionner les tags qui reflètent réellement le contenu des ressources. L’approche proposée a été testée et évaluée sur la base de données sociales Delicious. Pour l’évaluation, nous comparons le résultat issu de notre approche utilisant le comportement d’annotation des personnes proches (le réseau égocentrique ou les communautés) avec les informations connues de l’utilisateur (son profil). Une évaluation comparative avec une approche classique (basée sur les tags) de détection des intérêts montre que l’approche proposée fournit de meilleurs résultats.