Améliorer la recherche • augmentation sémantique des tweets • contenu • liens 6 SPARQL Document Brouillon Ontologies Publication RDF Graphe Web sémantique Data store Théorie des graphes
Améliorer la recherche • tweets augmentés sémantiquement 7 SPARQL Document Ontologies Publication RDF Graphe Web sémantique Data store Théorie des graphes Brouillon
Ordre des facettes 12 • Méthode 1 : Fréquence d’apparition • compter le nombre d’occurrences d’un CFV • Méthode 2 : Personnalisation • créer un profil d’utilisateur à partir des tweets publiés
Ordre des facettes 12 • Méthode 1 : Fréquence d’apparition • compter le nombre d’occurrences d’un CFV • Méthode 2 : Personnalisation • créer un profil d’utilisateur à partir des tweets publiés • un CFV publié = 1 point
Ordre des facettes 13 • Méthode 3 : Diversification • choisir les CFV qui correspondent au plus grand nombre de tweets • éviter les tweets déjà “utilisés”
Ordre des facettes 13 • Méthode 3 : Diversification • choisir les CFV qui correspondent au plus grand nombre de tweets • éviter les tweets déjà “utilisés” • Méthode 4 : Sensibilité temporelle
Ordre des facettes 13 • Méthode 3 : Diversification • choisir les CFV qui correspondent au plus grand nombre de tweets • éviter les tweets déjà “utilisés” • Méthode 4 : Sensibilité temporelle • pondérer les CFV selon l’ancienneté des tweets
Ordre des facettes 13 • Méthode 3 : Diversification • choisir les CFV qui correspondent au plus grand nombre de tweets • éviter les tweets déjà “utilisés” • Méthode 4 : Sensibilité temporelle • pondérer les CFV selon l’ancienneté des tweets • plus récent = mieux noté
Évaluation des pondérations • Success@k • probabilité que le CFV choisi soit dans les k premiers 14 SPARQL Document Brouillon Ontologies Publication RDF Graphe Web sém 5 8 3
Évaluation des pondérations • Success@k • probabilité que le CFV choisi soit dans les k premiers • plusieurs recherches avec chaque méthode 14 SPARQL Document Brouillon Ontologies Publication RDF Graphe Web sém 5 8 ! 3
Évaluation des pondérations • Success@k • probabilité que le CFV choisi soit dans les k premiers • plusieurs recherches avec chaque méthode • Exemple de calcul 14 SPARQL Document Brouillon Ontologies Publication RDF Graphe Web sém ! 5 8 ! 3
Évaluation des pondérations • Success@k • probabilité que le CFV choisi soit dans les k premiers • plusieurs recherches avec chaque méthode • Exemple de calcul • S@3 = 0 • S@5 = 1/2 • S@8 = 1 14 SPARQL Document Brouillon Ontologies Publication RDF Graphe Web sém ! 5 8 ! 3
Expérimentation 21 • mailing-list de l’OAK Sheffield • équivalent KIS Polytech’ • membres (humains) évaluent la similarité de leurs pairs • questionnaires : 1 (très différents) à 10 (très similaires)
Expérimentation 21 • mailing-list de l’OAK Sheffield • équivalent KIS Polytech’ • membres (humains) évaluent la similarité de leurs pairs • questionnaires : 1 (très différents) à 10 (très similaires) • comparaison avec les similarités entre profils sémantiques
Significances • significance = probabilité que la corrélation soit due au hasard • 0 = excellent • 1 = absolument pas significatif • mots-clés : seuls 7 / 15 à p < 0,05 29
Significances • significance = probabilité que la corrélation soit due au hasard • 0 = excellent • 1 = absolument pas significatif • mots-clés : seuls 7 / 15 à p < 0,05 • entités : 6 / 15 • concepts : 8 / 15 • 1 chance sur 20 d’être due au hasard 29
Accord entre évaluateurs • “Pearson’s correlation at p < 0,001” • 3 réfutant l’hypothèse : “Agr inférieur” • 3 /15 = 20% ! • …et ρX,Y ∈ ീ([0,!1]2,![0,!1]) • corrélation entre une V.A.R et 14 autres ?! • déconseillé par plusieurs articles 30
Accord entre évaluateurs • “Pearson’s correlation at p < 0,001” • 3 réfutant l’hypothèse : “Agr inférieur” • 3 /15 = 20% ! • …et ρX,Y ∈ ീ([0,!1]2,![0,!1]) • corrélation entre une V.A.R et 14 autres ?! • déconseillé par plusieurs articles • métrique existante : kappa de Fleiss 30
Limitations : Twitter • nombre d’utilisateurs test non précisé • corpus > 30 millions tweets, 20000 utilisateurs • API citée non disponible • Twitter : “Annotations is still more concept then reality. Maybe some day we'll have more to say about them” 31
Limitations : Twitter • nombre d’utilisateurs test non précisé • corpus > 30 millions tweets, 20000 utilisateurs • API citée non disponible • Twitter : “Annotations is still more concept then reality. Maybe some day we'll have more to say about them” • pas d’incidence sur l’expérimentation 31
Conclusion 32 • augmentation sémantique très efficace pour la recherche • pas de conclusion quant à la détermination d’expertise • utiliser une requête à facettes pour trouver les experts ?
mattisg
miyuoba
isayan
gatheluck
ryou0634
.png){kind=avatar}
researchconf
chokkan
smatsumori
keyakkie
hiroyaonoe
sumauma
kei18
kinakomoti321
chriscoyier
stephaniewalter
jrom
vanstee
jlugia
holman
garrettdimon
jmmastey
akosma
paulrobertlloyd
zakiyama
sachag