Filage hiérarchique efficace d'informations par détection de communautés dans les réseaux

Face à la croissance considérable du volume d'information produite quotidiennement en ligne (par exemple, articles d'actualité), il devient nécessaire de disposer de méthodes automatiques permettant d’identifier, au fil du temps, les informations liées à un événement donné (c’est-à-dire des filtres d’information hiérarchiques). Dans ce travail, nous proposons une nouvelle approche non supervisée, appelée HINT, qui permet de détecter des filtres d’information hiérarchiques cohérents. Ces filtres permettent aux utilisateurs de comprendre facilement les relations hiérarchiques entre des informations diverses évoluant au fil du temps autour d’un événement ou d’un débat. Plus précisément, HINT met en œuvre une architecture évolutif fondée sur la détection de communautés dans les réseaux, afin d’identifier efficacement les liens hiérarchiques entre documents, en s’appuyant sur leur pertinence chronologique et sur les réponses aux questions 5W1H (qui, quoi, où, quand, pourquoi et comment). Sur la collection NewSHead, nous démontrons que HINT surpasse significativement les approches les plus avancées existantes en termes de qualité des filtres détectés. Nous avons également mené une étude utilisateur qui montre que les filtres hiérarchiques basés sur les réseaux proposés dans cette étude sont nettement préférés (p < 0,05) par les utilisateurs par rapport aux filtres séquentiels basés sur les regroupements (clustering).