Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Apprentissage des schemas de propagation dans les

See discussions stats and author pro ?les for this publication at https www researchgate net publication Apprentissage des schémas de propagation dans les multi-graphes Conference Paper January Source DBLP CITATIONS authors including Ludovic Denoyer Sorbonne Université PUBLICATIONS CITATIONS SEE PROFILE READS Some of the authors of this publication are also working on these related projects Budget learning View project All content following this page was uploaded by Ludovic Denoyer on June The user has requested enhancement of the downloaded ?le CApprentissage des schémas de propagation dans les multi-graphes Yann Jacob ?? Ludovic Denoyer ?? Patrick Gallinari Université Pierre et Marie Curie - LIP Bo? te courrier place Jussieu PARIS cedex RÉSUMÉ Nous considérons le problème de l ? étiquetage de noeuds dans un multi-graphe - ou graphe multi-relationnel - dans lequel les noeuds peuvent être connectés simultanément par di ?érents types de relations De nombreux problèmes se modélisent ainsi comme par exemple les réseaux sociaux ou bien les bases de données bibliographiques Les relations peuvent être explicites par exemple amitié dans un réseau social ou bien implicite par exemple des similarités de contenu calculées sur les données Nous proposons ici un algorithme d ? apprentissage permettant d ? exploiter l ? information multi-relationnelle pour la t? che d ? étiquetage automatique Cette méthode est capable d ? apprendre à combiner de manière optimale l ? in uence des di ?érents types de relations sur la propagation des étiquettes entre les noeuds du graphe Nous décrivons des expériences sur quatre corpus qui montrent la capacité du modèle à tirer parti de l ? information multi-relationnelle pour des t? ches d ? étiquetage complexes ABSTRACT We consider the problem of labeling nodes in a multi-graph where the nodes may be connected with di ?erent types of relations This type of problem occurs in many situations like for example the analysis of social networks or bibliographic data Relations may be provided e g friends or computed e g similarity We propose a new learning algorithm for exploiting the rich multi- relational information in the labeling task This method is able to optimally learn combining the in uence of di ?erent relation types It is one of the very ?rst algorithms able to handle multi-graph information for this classi ?cation task We describe experiments on four datasets which show the model ability to deal with complex relationships and to take bene ?t of multi-relational information for complex labeling problems MOTS -CLÉS apprentissage classi ?cation automatique graphe multi-relationnel réseaux sociaux KEYWORDS machine learning automatic class ?cation multi-relational graph social network web CJacob Denoyer Gallinari Introduction Nous considérons l ? analyse de données relationnelles o? di ?érents objets sont liés par des relations comme c ? est le cas pour des pages Web ou des réseaux sociaux Ce type de donnée est souvent décrit en utilisant un formalisme de graphe dans lequel les noeuds correspondent aux données et les arcs représentent les relations L ? accès à des masses de données relationnelles de plus en plus