Social network analysis using graphs, applications in clustering and recommender systems

In this thesis, we study the implications of social network analysis in the context of its applications in learning on graphs, clustering tasks, and recommender systems. In particular, we develop a new multi-label based graph learning algorithm that takes the entirety of graph data into account. Additionally, a new clustering method and the analysis of different graph node distances is an important subject of our research as a proposition for community detection in social networks. The focus is on a new weighted kernel k-means approach as well as using the modularity criterion to render the algorithm more autonomous. Furthermore, we look at recommender systems in the context of retailers in the fast-moving consumer goods industry. Here, we propose the introduction of repeated interaction behavior into a matrix factorization approach that is often used in recommender systems. Finally, we implemented a new multi-level recommendation algorithm for the LensKit recommender toolkit. This algorithm works on two levels, the first level takes the complementary nature of goods into account, whereas the second level considers the substitutable nature.

(fre) Notre travail de thèse analyse l'implication des réseaux sociaux dans une approche data mining. Dans ce contexte, différentes applications sont proposées notamment dans les domaines des graphes (graph learning), de la segmentation (clustering) et des systèmes de recommandation. Tout d'abord, nous avons développé un nouvel algorithme à étiquettes multiples (multi-label graph learning algorithm) tenant compte de l'entièreté des données présentes dans un graphe. Dans une seconde partie du travail, nous proposons une nouvelle méthode de segmentation qui intègre différentes distances entre les nœuds de graphes et qui permet, entre autres, la détection de communautés dans les réseaux sociaux. Cette approche se base sur une technique de kernel k-means pondéré ainsi que sur l'utilisation du critère de modularité qui donnent plus d'autonomie à l'algorithme. La troisième contribution à notre recherche est déclinée dans le domaine des systèmes de recommandation et appliquée dans le secteur de la grande distribution. Une approche de factorisation matricielle est utilisée pour étudier les comportements d'interactions répétés lors des achats des clients en grande distribution. Finalement, nous avons construit un algorithme de recommandation multi-niveaux que nous avons intégré dans la plateforme LensKit (LensKit Recommender Toolkit). Ce modèle fonctionne à deux niveaux en tenant compte, d'une part, de la nature complémentaire des biens dans leur catégorie et, d'autre part, du caractère substituable de ceux-ci.