Résumé :

L'analyse de données est un processus crucial pour la prise de décision dans de nombreuses applications du monde réel, grâce à l'utilisation de divers outils d'intelligence artificielle. Parmi ces outils, le clustering joue un rôle essentiel dans l'analyse des données, notamment dans l'analyse des réseaux sociaux (données de graphes) et l'analyse des données transactionnelles (clustering conceptuel). Le clustering de données est un problème fondamental qui nécessite toujours des améliorations, tant en termes de qualité des clusters que d'efficacité des algorithmes de résolution. Dans ce contexte, plusieurs approches récentes ont été proposées.
Premièrement, le clustering des données de graphes repose sur une nouvelle mesure de similarité, appelée α-similarité structurelle, permettant la détection de communautés disjointes dans les réseaux sociaux.
Deuxièmement, le clustering conceptuel s'appuie sur l'extraction de nouveaux modèles de motifs, appelés k-motifs relaxés fréquents, suivie d'un programme linéaire en nombres entiers exploitant ces motifs pour identifier les clusters finaux. Des expérimentations ont été menées et ont démontré l'efficacité des méthodes proposées, notamment en termes de qualité des clusters.
Lien : https://teams.microsoft.com/l/meetup-join/19%3ameeting_ZTI4YjU1OWYtZWFiMC00M2EwLWJhNjItYzQxMzlmODRmODk0%40thread.v2/0?context=%7b%22Tid%22%3a%22967236d1-9003-4f1a-9556-8afe047945f1%22%2c%22Oid%22%3a%229fe8f8b7-30fc-4399-9556-391384e77635%22%7d