LES CONTENUS SOCIAUX : Quel impact sur le processus de RI et la quantification de contradiction

Ismaïl BADACHE
LIS UMR 7020 – Université Aix-Marseille
LES CONTENUS SOCIAUX
Quel impact sur le processus de RI et
la quantification de contradiction
Séminaire à Lyon LIRIS – Equipe DRIM13 Mars 2018

Plan
Contexte
Etat de l’Art
Signaux et Propriétés Sociales
Temporalité des Signaux
Qualité et Diversité des Signaux
4
1
3
2
5
A) Exploitation des signaux sociaux pour améliorer la RI
B) Intensité de contradiction dans les commentaires
Signaux émotionnels : quel impact sur la RI ?6
Comment détecter une contradiction ?1
Mesurer l’intensité de contradiction2

4
Réseaux Sociaux : quelques « stats Jan. 2018 »
Contenu social par 1 min
70000 Publications
2,3 Millions J’aime
~410 GO de données
Facebook
Source:
blogdumoderateur.com
quantcast.com
semiocast.com
% Partages dans les RS
1. Contexte 2. Etat de l’Art 3. Signaux et Propriétés Sociales
6. Conclusion5. Qualité et Diversité des Signaux4. Temporalité des Signaux
4 milliards d’internautes
80% sont au moins inscrits dans un réseau social

Vidéo
Photo
Page Web
Ressources Web
Ressource
.
.
.
Réseaux sociaux
Bookmark
Commentaire/Avis
Partage/Recommandation
Rating/Votes
J’aime/+1
Interactions
Signaux Sociaux
(Contenus générés par l’utilisateur)
5
Prise en compte

Vidéo
Photo
Page Web
Ressources Web
Ressource
.
.
.
Réseaux sociaux
Bookmark
Commentaire/Avis
Rating/Votes
J’aime/+1
Interactions
Signaux Sociaux
6
Modèle de RI
Prise en compte
Requête Résultats

7
Contexte : RI
6. Signaux Émotionnels5. Qualité et Diversité des Signaux4. Temporalité des Signaux

Vidéo
Photo
Page Web
Ressources Web
Ressource
.
.
.
Réseaux sociaux
Bookmark
Commentaire/Avis
Rating/Votes
J’aime/+1
Interactions
Signaux Sociaux
8
Nature
Provenance
Signification
Temporalité
Diversité
Rating
5
4
3
2
1
Émotion

9
Questions de recherche
Impact de la diversité des signaux sociaux sur les résultats ?3
Comment prendre en compte les signaux sociaux et leur temporalité
pour estimer l’importance d’une ressource ?
2
Comment traduire les signaux sociaux en « importance sociale »
d’une ressource ?
1
Quel modèle théorique pour combiner la pertinence a priori d’une
ressource et sa pertinence thématique ?
4
Est-ce que la qualité du signal est influencée par son réseau social ?5
Les signaux émotionnels : quel impact sur la RI ?6

10
2. Etat de l’art
1) Recherche d’information dans les contenus sociaux
Recherche dans les médias sociaux (Moris et al., 2010) (Luo et al., 2012) (Damak et al., 2014)
Question-Réponse sociale (Dror et al., 2011) (Hecht et al., 2012)
Recherche de conversations (Magnani et al., 2012) (Ould-Amer et al., 2014)
Recherche d’opinions (Pang et Lillian, 2008) (Danescu-Niculescu et al., 2009)
Recherche de personnes (experts) (Macdonald et Ounis, 2008) (Deng et al., 2008)
2) Exploitation des contenus sociaux pour améliorer la RI
Indexation sociale (Zhang et al., 2009) (Bischoff et al ., 2008)
Reformulation de la requête (Koolen et al., 2009) (Bao et al., 2007)
Reclassement de résultats
- Classement basé sur la pertinence sociale
- Classement social personnalisé
(Bao et al., 2007) (Yanbe et al., 2007) (Bender et al., 2008)
(Carmel et al., 2009) (Hecht et al., 2012)

11
2. Etat de l’art
Sources d’évidence Propriétés Modèles Auteurs
Critères sociaux indépendants du temps
• Nombre de : clicks, votes, enregistrement et
recommandation.
Popularité
Importance
Combinaison
linéaire
(Karweg et al., 2011)
• Nombre de: j’aime, j’aime pas,
commentaires sur YouTube.
• Nombre de lecture d’un titre sur Last.fm.
• Social Book Search (ratings, tags, reviews).
Importance
Apprentissage
et
Combinaison
linéaire
(Chelaru et al., 2012)
(Khodaei et al. 2012)
(Buijs et Spruit, 2014)
(Zhang et al., 2016)
• Nombre de retweets. Popularité
Technique
d’apprentissage
(Yang et al., 2012)
(Hong et al., 2011)
Critères sociaux dépendants du temps
• Analyse des signaux sociaux pour classer
l’intérêt des utilisateurs en 5 classes : recent,
ongoing, seasonal, past et random.
Intérêt
temporel
Etude
statistique
(Khodaei et Alonso,
2012)
• Exploiter le clic temporel appelé ClickBuzz
pour mesurer l’intérêt d’un document à
travers le temps.
Buzz dans le
temps
Technique
d’apprentissage
(Inagaki et al., 2010)

12
2. Etat de l’art : Positionnement
I. Exploitation des signaux sociaux issus de plusieurs réseaux sociaux, de
façon individuelle ou groupée sous forme de propriétés (ex. réputation
et popularité);
II. Prise en compte de la temporalité des signaux : date de création de
chaque action sociale ainsi que l’âge de la ressource;
III. Prise en compte de la diversité des signaux au sein d’un document.
IV. Analyser et étudier les nouveaux signaux émotionnels de Facebook
(Facebook Reactions : haha, j’adore, wouah, triste, grrr).

Partie I
Exploitation individuelle et
groupée des signaux sociaux

14
3.1. Hypothèses
1) Signaux Sociaux
Présence Nombre Origine
Signal Social
Impact sur la qualité des résultats de recherche
2) Propriétés sociales
PopularitéRéputation
Quantification

15
3.2. Représentation « sociale » d’un document
Ressource (Document)
- J’aime
- +1
- Partage
- Rating
- ….
Signal mono-valeur
ex. J’aime (nombre de j’aime)
Signal multi-valeurs
ex. Rating (nombre de Rating et la valeur du Rating)
Représentation thématique
• Mots-clés : 𝐷 𝑤={𝑤1, 𝑤2, … 𝑤𝑧}
Représentation sociale
• Signaux sociaux : 𝐷 𝑎={𝑎1, 𝑎2, … 𝑎 𝑚}

𝑃 𝐷 𝑄 = 𝑟𝑎𝑛𝑘 𝑃 𝑫 ∙ 𝑃 𝑄 𝐷)
16
3.3. Importance a priori du document
𝑃 𝑎𝑖
Probabilité a priori du
document D
Modèle thématique
Requête/Contenu
ෑ
𝑎 𝑖∈ 𝐴
𝑃 𝑎𝑖
Unique Plusieurs Propriétés
ෑ
𝑎 𝑖
𝑥∈𝐴
𝑃𝑥 𝑎𝑖
𝑥Rating
Réputation
Popularité

17
3.4. Estimation des probabilités a priori
𝐵𝐴 𝐷 =
𝑚𝑜𝑦 𝑟 ∙ 𝑟 + σ 𝐷′∈𝑅 𝑚𝑜𝑦 𝑟′ ∙ |𝑟′|
𝑟 + σ 𝐷′∈𝑅 |𝑟′|
𝑃 𝑎𝑖 = 𝑅𝑎𝑡𝑖𝑛𝑔 =
1 + log(1 + 𝐵𝐴 𝐷 )
1 + log(1 + σ 𝐷′∈𝑅 𝐵𝐴(𝐷′))
Estimée par maximum de
vraisemblance et un lissage par
Dirichlet
𝑷 𝒂𝒊
𝑃 𝑎𝑖 =
𝐶𝑜𝑢𝑛𝑡(𝑎𝑖, 𝐷)
𝐶𝑜𝑢𝑛𝑡(𝑎., 𝐷)
Moyenne Bayésienne BA (Bayesian Average)
Multi-valeur : RatingMono-valeur

18
3.5. Evaluation : objectifs
1) Impact des signaux sociaux sur la performance de RI
2) Impact de la combinaison des signaux sociaux sous forme de
propriétés sociales
• Cadre d’évaluation :
- Deux collections d’INEX : IMDb et SBS.
- Collecte de signaux sociaux pour chaque document (IMDb et SBS).
Collection Documents Requêtes
IMDb 2011 1.6 millions de films 30
SBS 2015 : Suggestion Track 2.8 millions de livres 208

19
3.5. Evaluation : Collections de test
Contenu Textuel : INEX IMDb 2011

20
Contenu Textuel : INEX SBS 2015

21
Contenu Social : 9 données sociales collectées.
DELICIOUS
Bookmark IMDb
WITTER
Tweet IMDb
GOOGLE+
+1 IMDb
Partage
LINKED
IMDb
AMAZON
Tag
Rating
SBS
ACEBOOK
J’aime
Partage
Commentaire
SBS,
IMDb

22
3.5. Evaluation : quantification des propriétés
• Chaque propriété est quantifiée par des signaux sociaux spécifiques,
selon sa nature et sa signification.

0,5681
0,5801
0,59
0,5974
0,6203
nDCG
TotalFacebook Popularité Réputation
TousLesCritères ToutesLesPropriétés
0,4102
0,4264 0,4272 0,4262
0,4509
P@20
Propriétés Sociales
+44%
+38%+36%
+34%
+31%
+32%
+25%+26%+25%
+20%
3.5. Evaluation : Résultats sur IMDb
0,3919
0,4113
0,4325
nDCG
Lucene Solr BM25 ML.Hiemstra
0,3122
0,3371 0,3403
P@20
Modèles de base
Facebook
23
0,513
0,5262
0,5121
0,4769
0,5017
0,4621 0,4566
nDCG
J'aime Partage Commentaire Tweet
+1 Bookmark Partage(LIn)
0,362
0,3649
0,3551
0,3512
0,3468
0,3414 0,3432
P@20
J'aime Partage Commentaire Tweet
+1 Bookmark Partage(LIn)
Signaux Sociaux
+6%+7%
+16%
+10%
+18%
+22%
+18%
+11%
+12%
+9% +8%
+7%
+5% +6%
Réputation

Propriétés Sociales
0,1937
0,1953
0,1974 0,1981
0,2004
nDCG
0,0791
0,078
0,0801
0,0787
0,0888
P@20
+30%
+22%+21%
+20%
+19%
+55%
+41%
+41%
+38%
+43%
0,0689 0,0711 0,0678
0,0559 0,0531
P@20
J'aime Partage Commentaire Rating Tag
Signaux Sociaux
0,1864
0,19
0,1807
0,1748 0,1742
nDCG
+7%+8%
+11%
+17%
+15%
+23% +27%
3.5. Evaluation : Résultats sur SBS
Modèles de base
0,0487
0,0517
0,05
P@20
0,13
0,1581 0,162
nDCG
Facebook
24
+21%
+11% +5%
Réputation

3.5. Evaluation : Algorithmes de sélection (IMDb)
--- : Fortement sélectionné
--- : Modérément sélectionné
--- : Faiblement sélectionné
25

3.5. Evaluation : Algorithmes de sélection (SBS)
--- : Fortement sélectionné
--- : Modérément sélectionné
--- : Faiblement sélectionné
26

3.6. Constats
27
• Présence de signaux sociaux améliore la RI.
 Signaux Facebook meilleurs que les autres signaux.
 Plus fréquents que les autres signaux.
• Regroupement des signaux par propriété améliore significativement les
résultats par rapport aux autres configurations.
• Limites
- Certains signaux (ex. Partage LinkedIn) n’ont pas été évalués sur SBS.
- La non prise en compte des facteurs temporels (âge de la ressource,
fraîcheur de signaux).

Partie II
Temporalité des signaux
sociaux

29
4.1. Hypothèse : Fraîcheur du signal
1. contexte 2. Etat de l’Art 3. Signaux et Propriétés Sociales
Temps
Simple ComptageResource R1
+1
1
1+1
1+1
Comptage biaisé par le tempsResource R1
+1
0.5
0.75+1.5
0.72+1.2
Favoriser les ressources associées à des signaux récents
t1 t2 t3 t4 t5

30
4.2. Fraîcheur du signal
• Signal biaisé par sa date de création
𝐶𝑜𝑢𝑛𝑡𝑡 𝑎
𝑡𝑗,𝑎 𝑖
, 𝐷 = ෍
𝑗=1
𝑘
𝑓 𝑡𝑗,𝑎 𝑖
, 𝐷 𝑓 𝑡𝑗,𝑎 𝑖
, 𝐷 = 𝑒𝑥𝑝 −
∥ 𝑡 𝑎𝑐𝑡𝑢𝑒𝑙 − 𝑡𝑗,𝑎 𝑖
∥2
2𝜎2
• Rating biaisé par sa date de création
𝐵𝐴 𝑡 𝐷 =
𝑚𝑜𝑦 𝑟𝑡 ∙ 𝑟𝑡 + σ 𝐷′∈𝑅 𝑚𝑜𝑦 𝑟𝑡′ ∙ |𝑟𝑡′|
𝑟𝑡 + σ 𝐷′∈𝑅 |𝑟𝑡′|
𝑟𝑡 = 𝑟 ∙ 𝑒𝑥𝑝 −
∥ 𝑡 𝑎𝑐𝑡𝑢𝑒𝑙 − 𝑡 𝑟 ∥2
2𝜎2

31
4.3. Hypothèse : Âge de la ressource
Resource R1 : Âge = 1 mois
188
52
12+1
Resource R2 : Âge = 1 jour
2
1
0+1
Les « vieilles » ressources ont plus de chance d’obtenir plus de signaux que les « récentes »
Normalisation des signaux par l’âge de la ressource

32
4.4. Âge de la ressource
𝐶𝑜𝑢𝑛𝑡𝑡 𝐷
𝑎𝑖, 𝐷 = 𝐶𝑜𝑢𝑛𝑡 𝑎𝑖, 𝐷 ∙ 𝐴(𝐷)
𝐴(𝐷) = 𝑒𝑥𝑝 −
‖𝑡 𝑎𝑐𝑡𝑢𝑒𝑙 − 𝑡 𝐷‖2
2𝜎2
• Normaliser la distribution des signaux par la date de publication de la
ressource (âge de la ressource).

33
4.5. Evaluation : Collection de test
Contenu Social : les données sociales temporelles
IMDb
SBS

4.5. Evaluation : Résultats sur SBS
Sans Prise en Compte du Temps Date du Signal
34
0,0732
P@20
Rating
0,1904
nDCG
Rating
+31%
+12%
0,1864
0,1938
0,1807
0,1748 0,1742
nDCG
0,0689 0,0711 0,0678
0,0559 0,0531
P@20
Âge de la ressource
0,0708
0,0796
0,0711 0,0695
0,058
P@20
0,19
0,2001
0,1882
0,1855
0,1771
nDCG
+5%
+19%+4%
+12%
+3%
+2%
+5%
+4%
+5%
+2%

4.6. Constats
• Signaux sociaux sensibles au temps
- La fraîcheur du signal Rating « booste » les documents pertinents.
- Les signaux fréquents (Partage, Rating) sont les plus sensibles à l’âge de
la ressource.
• Limite
- Expérimentation du temps associé à un signal limitée au Rating.
35

Partie III
Qualité et diversité des signaux
sociaux

37
5.1. Hypothèse
• La diversité des signaux : indice mesurant l’intérêt d’une ressource au-
delà d’un réseau social ou d’une communauté.
• Nature
• Provenance

• Une ressource dominée par un seul signal doit être défavorisée par rapport
à une ressource ayant une équi-répartition des signaux.
• Evaluation de la diversité en utilisant l’indice de diversité de Shannon.
• L’intérêt (importance) d’une ressource.
38
5.2. Estimation de la diversité des Signaux
𝑃𝑥 𝐷 = ෑ
𝑥 ∈𝑋
𝑃𝑥 𝑎 𝑥 ∙ 𝐷𝑖𝑣𝑒𝑟𝑠𝑖𝑡é 𝑠 𝐷
𝐷𝑖𝑣𝑒𝑟𝑠𝑖𝑡é 𝑠 𝐷 = − ෍
𝑖=1
𝑚
𝑃𝑥(𝑎𝑖
𝑥
) ∙ 𝑙𝑜𝑔 𝑃𝑥 𝑎𝑖
𝑥

39
5.3. Evaluation : Résultats SBS
0,084
0,1945
0,0862
0,197
0,0891
0,1994
0,0915
0,2031
0,0976
0,2148
P@20 nDCG
TotalFacebook Popularité Réputation TousLesCritères ToutesLesPropriétés
+10% +14%
+11%
+6%
+10%+16%
Avec Prise en Compte de la Diversité

40
5.4. Distribution du facteur diversité dans les documents
Documents Non-Pertinents
Documents Pertinents

41
5.5. Analyse quantitative et qualitative des signaux
1) la fréquence moyenne des signaux dans les documents pertinents est plus élevée par
rapport aux documents non-pertinents.
2) les signaux de Facebook capturent la majorité des documents pertinents.
3) 95% de ses actions de partage sont concentrées dans 601 documents pertinents avec une
fréquence moyenne de 67 actions.

Les signaux émotionnels :
Quel impact sur la RI ?
Partie IV

43
6.1. Les signaux émotionnels (Facebook Reactions)
• 300 milliards de réactions (24/02/2017), soit plus de 800 millions par jour.
• La réaction j'adore est la plus populaire.
• La majorité des réactions j'adore étaient durant Noël 2016.
• Les pays où les réactions sont populaires : le Mexique, le Chili, la Grèce,
le Paraguay, les États-Unis (la France 14eme).

44
6.1. Les signaux évènementiels

45
6.2. Questions de recherche
Comment les utilisateurs utilisent-ils ces réactions pour interagir avec
les ressources web ?
1
Comment modéliser ces critères et les prendre en compte dans un
modèle de RI ?
2
Quel est l'impact de ces réactions sur les performances d'un système
de RI ?
3

46
6.3. Réactions dans les médias et les films
• Réactions des utilisateurs sur 10 meilleurs films en 2016 et 4650 articles
publiés sur 10 médias.

47
6.3. Exemple : réactions "haha" et "triste"

48
6.3. Réactions dans les médias et les films
• Analyse du premier reportage (article) publié par chaque média sur
l'attaque du 22 mars 2016 à Bruxelles.

49
6.4. Evaluation : objectifs
1) Étudier l'impact des réactions sociales sur la RI.
2) Corrélation entre la pertinence et les réactions.
Cadre d'expérimentation
• Collection IMDb (30 Requêtes, Qrels, 1.6 millions Documents).
• 1000 premiers documents retournés par chaque requête.
• Collecter des réactions via l'API Facebook et le Parsing.

50
6.5. Réactions prises en compte individuellement

51
6.6. Réactions groupées selon leur signification

52
6.7. Requêtes et réactions (positives et négatives)

6.9. Constats
• Les signaux émotionnels
- La réaction j’adore représente le facteur le plus pertinent.
- Il y a une dépendance entre l’émotion dans la requête et les réactions
à prendre en compte dans le processus de ranking.
• Limites
- Simplicité de la modélisation des réactions.
- Expérimentation sur IMDb : très peu de requêtes négatives qui attirent
des documents avec des réactions négatives.
53

1.1. Contexte : contradiction textuelle
55
1. Introduction 2. Vue d’ensemble : état de l’art
4. Évaluation expérimentale3. Détection & intensité de contradiction
Contradiction :
Une situation où il est extrêmement improbable que deux phrases soient vraies
lorsqu'elles sont considérées ensemble.
Exemples :
1. Négation : « I love you --- I do not love you »
2. Mots opposés : « hot --- cold , light --- dark »
3. Inadéquations numériques :
« There are 7 wonders of the world --- the number of wonders of the world are 9 »

1.1. Contexte : contradiction textuelle
56

1.2. Questions de recherche
57
Comment identifier une contradiction sur un aspect dans les
commentaires?
1
Comment mesurer le degré de contradiction entre les commentaires?2
Quel est l’impact de la prise en compte conjointe de la polarité et du
rating des commentaires sur la mesure de l’intensité de la
contradiction?
3

2. Vue d’ensemble : état de l’art
58

3.1. Comment détecter une contradiction ?
59

3.2. Détection d’aspects dans un commentaire
60
1. Calcul fréquentiel des termes constituant le corpus des commentaires,
2. Catégorisation des termes de chaque commentaire en utilisant Stanford
Parser,
3. Sélection des termes ayant la catégorie nominale,
4. Sélection des noms avec des termes émotionnels dans leur voisinages de
5 mots (en utilisant SentiWordNet),
5. Extraction des termes les plus fréquents (utilisés) dans le corpus parmi
ceux sélectionner dans l’étape précédente. Ces termes seront considérés
comme des aspects.

3.2. Détection d’aspects : Exemple
61
L’aspect utile est : « lecturer »

3.3. Analyse de sentiments
62

3.4. Mesure de contradiction
63
.
- Coordonnées (poli , rati) pour chaque commentaire-aspect cai
- Un commentaire cai aspect est un segment du commentaire contenant un
aspect (5 mots avant et après l’aspect).

64
• Fonction de dispersion (inertie du nuage)
- Distance (poli , rati ) est la distance du point cai du nuage au point centroide
cacentroide , tandis que n est le nombre de points cai du nuage.
- Normalisation des ratings rati :

65
1. Centroide basé sur la moyenne des poli et rati
Les coordonnées (pol, rat) du centroide cacentroide peuvent être calculées de
deux manières différentes :
2. Centroide basé sur la moyenne pondérée des poli et rati

4.1. Objectifs et collection de test
66

4.2. Les aspects détectés
67

4.3. Évaluation manuelle « User Study »
68

4.4. Protocole d’évaluation
69

4.5. Résultats
70
Figure 1 – Corrélation entre les jugements de contradiction et les résultats de notre
approche (avec un taux d’erreur de 21% dans la détection de sentiments)

4.5. Résultats
71
Figure 2 – Corrélation entre les jugements de contradiction et les résultats de notre
approche (avec un taux d’erreur de 0% dans la détection de sentiments)

4.6. Constats
• Estimation de l’intensité de contradiction
- Exploitation conjointe des polarités et des ratings.
- Calcul de centroide de 2 manières (moyenné et pondéré).
• Limites
- Dépendance de la qualité des modèles d’analyse de sentiments et de
détection des aspects.
- Simplicité des modèles de pré-traitements.
- Détection des phrases auxquelles appartient un aspect.
72

4.7. Prédiction de l’intensité de contradiction
73
Fig. Processus d’apprentissage automatique

4.7. Prédiction de l’intensité de contradiction
74
Tableau. Liste des critères exploités

Conclusion
Contributions
1. Modèle d’estimation de l’importance
sociale d’un document.
 Exploitation individuelle et groupée des
signaux (popularité, réputation).
2. Prise en compte de l’aspect temporel
 « Fraîcheur » du signal,
 Normalisation du signal par l’âge de la
ressource.
3. Qualité et diversité des signaux sociaux
 Diversité en termes de nature et
provenance des signaux.
4. Etude des signaux émotionnels
5. Contradiction dans les commentaires
6. Mise en place de collections de test
Publications
1. «Contradiction in Reviews : is it Strong or Low?» à BroDyn
workshop, ECIR 2018
2. «Emotional Social Signals for Search Ranking» à SIGIR 2017
3. «Finding and Quantifying Temporal-Aware Contradiction in
Reviews» à AIRS 2017
4. «Harnessing Ratings and Aspect-Sentiment to Estimate
Contradiction Intensity in Temporal-Related Reviews» à KES 2017
5. «Fresh and Diverse Social Signals : Any Impacts on Search ?» à
ACM SIGIR CHIIR 2017.
6. «Multimodal Social Book Search» à CLEF 2015.
7. «A Priori Relevance Based On Quality and Diversity Of Social
Signals» à ACM SIGIR 2015.
8. «Document Priors Based On Time-Sensitive Social Signals» à
ECIR 2015.
9. «Social Priors to Estimate Relevance of a Resource» à ACM IIiX
2014.
10. «Harnessing Social Signals to Enhance a Search» à ACM/IEEE
WIC 2014.
11. «Détection de contradiction dans les commentaires» à CORIA
2017.
12. «Les Signaux Sociaux Émotionnels : Quel impact sur la RI ?» à
CORIA 2017.
13. «Pertinence a Priori Basée sur la Diversité et la Temporalité des
Signaux Sociaux» à CORIA 2015.
14. «Exploitation de signaux sociaux pour estimer la pertinence a
priori d’une ressource» à CORIA 2014.
15. «RI sociale : intégration de propriétés sociales dans un modèle
de recherche» à CORIA 2013.

http://www.irit.fr/~Ismail.Badache/
https://twitter.com/Ismail_badache
76
Modèle classique
Modèle social

LES CONTENUS SOCIAUX : Quel impact sur le processus de RI et la quantification de contradiction

Recommandé

Recommandé

Contenu connexe

Similaire à LES CONTENUS SOCIAUX : Quel impact sur le processus de RI et la quantification de contradiction

Similaire à LES CONTENUS SOCIAUX : Quel impact sur le processus de RI et la quantification de contradiction (20)

Plus de Ismail BADACHE

Plus de Ismail BADACHE (17)

LES CONTENUS SOCIAUX : Quel impact sur le processus de RI et la quantification de contradiction