Prédiction des liens dans les réseaux sociaux.

4.3 Expérimentations et résultats

Pour assurer une comparaison efficace entre les deux fonctions, nous avons les testés sur un réseau de collaboration scientifique au laboratoire de mathématiques et d'informatique de notre université, pour cela nous avons essayer de construire deux captures de ce réseau, l'une à 2011 et la deuxième à 2015, ensuite nous allons essayer de prédire l'apparition des nouveaux liens pendant la période [2011,2015]. Pour effectuer la prédiction par les deux fonctions que nous avons présenté, Nous avons envisagéune opération de pré-traitement, cette dernière consiste à effectuer sur l'ensemble des noeuds et des liens les opérations suivantes :

1. Nous allons assurer de prendre les mêmes noeuds (représentent des chercheurs) pour les deux captures (2011 et 2015).

2. Nous avons assurer aussi de garder les liens (représentent des collaborations entre les chercheurs) en 2011 même s'ils sont disparu dans le réseau de collaboration en 2015.

les figures 4.4 et 4.5 représentent les deux captures que nous avons construit en 2011 et en 2015 respectivement :

FIGURE 4.4 - Capture du réseau de collaboration construite en 2011

Chapitre 4. Implémentation et Expérimentations 51

FIGURE 4.5 - Capture du réseau de collaboration construite en 2015

Nous avons utilisél'outil NodeXL pour visualiser les résultats de chacune de ces deux fonctions pour les 70 premiers liens que nous avons choisi dans les figures 4.6 et 4.7, Nous notons que avons visualiser que les liens prédit correctement puisque les deux fonctions ajoutent 96 liens. Nous pouvons remarquer que l'algorithme Adamic/Adar a prédit correctement 1 lien plus par rapport à l'algorithme Common Neighbors.

Chapitre 4. Implémentation et Expérimentations 52

FIGURE 4.6 - Réseau social obtenu après l'exécution de la fonction: Adamic/A-

dar

Chapitre 4. Implémentation et Expérimentations 53

FIGURE 4.7 - Réseau social obtenu après l'exécution de la fonction: Commons

neighbors

Le tableau 4.1 résume les différentes mesures que nous avons effectuées pour juger les performances des deux fonctions. Nous avons fait varier K (nombre des liens) de 10 jusqu'à90.

Chapitre 4. Implémentation et Expérimentations 54

	Adamic/Adar				Commons Neighbors
K	Temps	Rappel	Précision	F-mesure	Temps	Rappel	Précision	F-mesure
10	1208526	0.0%	0.0%	0.0%	631793	0.0%	0.0%	0.0%
20	1151133	0.0%	0.0%	0.0%	627128	0.0%	0.0%	0.0%
30	1069943	0.0%	0.0%	0.0%	634593	0.0%	0.0%	0.0%
40	1148800	40.0%	5.0%	8.9%	628527	20.0%	2.5%	4.4%
50	1240723	40.0%	4.0%	7.3%	632727	20.0%	2.0%	3.6%
60	1150200	60.0%	5.0%	9.2%	629460	40.0%	2.9%	6.2%
70	1083008	80.0%	5.7%	10.7%	629461	40.0%	2.9%	5.3%
80	1151601	80.0%	5.1%	9.4%	649992	60%	3.8%	7.6%
90	1154867	80.0%	4.8%	8.9%	628527	60%	3.5%	6.7%

TABLE 4.1 - Mesures de performances

Nous avons également représentégraphiquement nos résultats par rapport à notre réseau social, la figure 4.8 montre le rapport, la précision, le temps d'exécution ainsi que le F-mesure par rapport à K .

FIGURE 4.8 - Représentation graphique du rappel, précision, F-mesure et temps

d'exécution

Chapitre 4. Implémentation et Expérimentations 55

4.3.1 Interprétation des résultats

Dans le but de comparer et juger les performances de chacune des deux fonctions en détectant leurs différents avantages et inconvénients à travers les mesures que nous avons effectué, voire, le temps d'exécution, le rappel, la précision ainsi que le rapport entre ces deux derniers qui est la F-mesure.

4.3.1.1 Point de vue temps d'exécution

Nous pouvons voir à partir le graphes de temps d'exécution dans la figure 4.8 que la mesure de similaritéAdamic/Adar prend un temps plus considérable par rapport à la mesure de similaritéCommons Neighbors. Cela s'explique par le fait que Adamic/Adar fait beaucoup d'opérations supplémentaires, voire l'extraction des voisins communs, le calcul de degrés des ces voisins communs. ce qui consomme plus de temps. Par contre la fonction Commons Neighbors calcule simplement le nombre de voisins communs entre chaque pair non connecté.