Université de Rennes 1 Influencers characterization in a social network for viral marketing perspectives Caractérisation des influenceurs dans un réseau social pour des perspectives de Marketing viral Maximisation de l'influenceanalyse des réseaux sociauxthéorie des fonctions de croyanceclassification des messages sociaux Influence maximizationsocial network analysistheory of belief functionssocial message classification Marketing viral Thèses et écrits académiques Réseaux sociaux (Internet) Thèses et écrits académiques Théorie de Dempster-Shafer Thèses et écrits académiques Le marketing viral est une nouvelle forme de marketing qui exploite les réseaux sociaux afin de promouvoir un produit, une marque, etc. Il se fonde sur l'influence qu'exerce un utilisateur sur un autre. La maximisation de l'influence est le problème scientifique pour le marketing viral. En fait, son but principal est de sélectionner un ensemble d'utilisateurs d'influences qui pourraient adopter le produit et déclencher une large cascade d'influence et d'adoption à travers le réseau. Dans cette thèse, nous proposons deux modèles de maximisation de l'influence sur les réseaux sociaux. L'approche proposée utilise la théorie des fonctions de croyance pour estimer l'influence des utilisateurs. En outre, nous introduisons une mesure d'influence qui fusionne de nombreux aspects d'influence, comme l'importance de l'utilisateur sur le réseau et la popularité de ces messages. Ensuite, nous proposons trois scénarii de marketing viral. Pour chaque scénario, nous introduisons deux mesures d'influence. Le premier scénario cherche les influenceurs ayant une opinion positive sur le produit. Le second scénario concerne les influenceurs ayant une opinion positive et qui influencent des utilisateurs ayant une opinion positive et le dernier scénario cherche des influenceurs ayant une opinion positive et qui influencent des utilisateurs ayant une opinion négative. Dans un deuxième lieu, nous nous sommes tournés vers un autre problème important, qui est le problème de la prédiction du sujet du message social. En effet, le sujet est également un paramètre important dans le problème de la maximisation de l'influence. A cet effet, nous introduisons quatre algorithmes de classification qui ne nécessitent pas le contenu du message pour le classifier, nous avons juste besoin de ces traces de propagation. Dans nos expérimentations, nous comparons les solutions proposées aux solutions existantes et nous montrons la performance des modèles de maximisation de l'influence et les classificateurs proposés. The Viral Marketing is a relatively new form of marketing that exploits social networks in order to promote a product, a brand, etc. It is based on the influence that exerts one user on another. The influence maximization is the scientific problem for the Viral Marketing. In fact, its main purpose is to select a set of influential users that could adopt the product and trigger a large cascade of influence and adoptions through the network. In this thesis, we propose two evidential influence maximization models for social networks. The proposed approach uses the theory of belief functions to estimate users influence. Furthermore, we introduce an influence measure that fuses many influence aspects, like the importance of the user in the network and the popularity of his messages. Next, we propose three Viral Marketing scenarios. For each scenario we introduce two influence measures. The first scenario is about influencers having a positive opinion about the product. The second scenario searches for influencers having a positive opinion and influence positive opinion users and the last scenario looks for influencers having a positive opinion and influence negative opinion users. On the other hand, we turned to another important problem which is about the prediction of the social message topic. Indeed, the topic is also an important parameter in the influence maximization problem. For this purpose, we introduce four classification algorithms that do not need the content of the message to classify it, they just need its propagation traces. In our experiments, we compare the proposed solutions to existing ones and we show the performance of the proposed influence maximization solutions and the proposed classifiers. Electronic Thesis or DissertationText en application/pdf1 : 3687 Kohttps://ecm.univ-rennes1.fr/nuxeo/site/esupversions/7c413286-41e7-47ca-b6fe-9a115fa1852b Jendoubi Siwar 1987-07-11 TN 198182767 JENDOUBI.SIWAR@YAHOO.FR 2016REN1S076 http://www.theses.fr/2016REN1S076 2016-12-16 Informatique Universite de Rennes 1thesis.degree.grantor_1 02778715X Université de Tunisthesis.degree.grantor_2 026404036 Doctorat non ouiMartinArnaudintervenant_1060375876Ben YaghlaneBoutheinaintervenant_2167799940LiétardLudovicintervenant_3169322297 MATISSEecoleDoctorale_1 139007164 Universite Bretagne LoirepartenaireRecherche_1 191639044 IRISA partenaireRecherche_2 026386909 ddc:004 MartinArnaudBen YaghlaneBoutheinaLiétardLudovicUniversite de Rennes 1Sciences et technologie, medecine, pharmacie, odontologie, droit, economie, gestion, philosophieUniversité de TunisMATISSEÉcole doctorale Mathématiques, informatique, signal, électronique et télécommunications (Rennes)Universite Bretagne Loire Communaute des etablissements d enseignement superieur et de recherche (ComuE) IRISA ASCII PDF 3775979 restriction 2016-12-16 2017-12-16 restriction 2016-12-16 2017-12-16