Résumé

De nos jours, nous nous intéressons à la détection d’entités importantes, ceci peut être des mots-clés importants dans un document ou Twitter, ou des individus importants dans un réseau de mouvement. Nous pouvons modéliser ces données sous la forme d’un graphe dy- namique et utiliser des métriques de centralité telle que la centralité de proximité temporelle. Malheureusement, cela peut être coûteux. Dans ce travail, nous comparons la précision de plu- sieurs méthodes de classification supervisée, les unes par rapport aux autres, à la détection de ces noeuds importants. Sur seize jeux de données de natures différentes, nous montrons que ces méthodes réussissent à différencier les noeuds importants de noeuds insignifiants. Nous montrons également que prendre en compte la nature des données diminue la qualité de résultats. Enfin, nous examinons le temps du calcul de chacune de ces méthodes contre le temps du calcul de méthodes exact.

Abstract

Nowadays, researchers are interested in the detection of important entities in net- works; this can be keywords in a document and Twitter or more even super-spreaders in a movement network. One natural way to detect these entities is to use graph theory; each entity is represented by a node in the graph. Afterward, centrality metrics such as Temporal closeness can be applied to detect the important nodes. Nevertheless, this can be computationally expen- sive. In this work, we examine three basic characteristics that we consider as the basic blocks of Temporal closeness. We utilize those characteristics to show that classifiers are capable to classify the nodes. In addition, we show that taking into account the dataset’s nature does not necessarily produce better models. Finally, we compare the computational time of these models against that of Temporal Closeness.