Exploitation de données de contexte utilisateur pour estimer la pertinence de social updates
1. Exploitation de données de contexte utilisateur pour estimer la pertinence de social updates * Principe Evaluation de Précision Adrien Joly Université de Lyon, LIRIS / Alcatel-Lucent Bell Labs France Directeur de thèse: Pierre Maret, LaHC Social updates Agrégateur Sniffeurs Notifieur Filtre Utilisateur Actions et tags Nuages contextuels Notifications Contexte But : augmenter l’efficacité d’usage des réseaux sociaux Interfaces Hypothèse : la similarité contextuelle entre deux personnes est un critère de pertinence pour le partage d’informations Enrichissement et pondération Services Pertinence 1846 nuages contextuels générés à partir de tranches de navigation web de 10 minutes, pendant une semaine Pour chacun des 40 nuages contextuels le plus représentatifs, la pertinence de 3 social updates a été notée Précision moyenne: 72% (rapport entre notes estimées et données par utilisateurs) Pour chaque social update , son auteur a noté la pertinence par rapport au contexte d’émission Par type de social update : Pertinence des bookmarks : 71% Pertinence des tweets : 38% * * ≈41% de « me, now » sur Twitter [Naaman 2010] * Notifications et brèves publiées sur réseaux sociaux Pertinence Très faible Faible Elevée Très élevée Précision Par question Moyenne