Thèse "prise en compte de la temporalité dans les réseaux socio-transactionnels dynamiques" f/h

Votre rôle

Votre rôleest d’effectuer un travail de thèse sur la: «Prise en compte de la temporalité dans les réseaux socio-transactionnels dynamiques»

* Contexte global et problématique du sujet

Orange Money est une solution financière proposée dans 17 pays du continent africain, et connait un développement important, aussi bien en nombre d’utilisateurs, en nombre de transactions réalisées qu’en nombre de services proposés.

La notion de réseau social désigne l’ensemble des relations entre les personnes ou entre groupes sociaux. Ces relations peuvent se nouer dans divers cercles sociaux tels que la famille, le voisinage, les loisirs, la sphère amicale ou encore le milieu professionnel. Il est donc possible de constituer le réseau social des utilisateurs d’un service financier. Par ailleurs, les transactions financières contiennent des informations temporelles qui peuvent s’avérer utiles. La question qui se pose alors est de savoir comment analyser ces données afin d’enrichir le service proposé.

L’analyse des réseaux sociaux se base sur des outils mathématiques comme la théorie des réseaux et la théorie des graphes. Les travaux de recherches ont notamment cherché à identifier des individus particuliers dans le réseau, ou bien à segmenter le réseau en communauté d’utilisateurs.

Les recherches récentes se sont d’avantages concentrées sur le graph machine learning, c’est-à-dire sur les méthodes d’apprentissage machine fonctionnant sur des données de types graphes/réseau. Les recherches les plus récentes ont également pris des informations temporelles afin de pouvoir faire des prévisions sur des données représentés sous forme de graphe.

* Objectif scientifique – résultats et verrous à lever

L'objectif principal de cette thèse est d'explorer si la prise en compte de l'aspect temporel permet de prédire l'évolution de groupes d'intérêt au sein de graphes socio-transactionnels. Cette recherche vise à établir des modèles prédictifs robustes qui intègrent les dynamiques temporelles des interactions sociales et transactionnelles.

Les défis principaux incluent la validation des modèles prédictifs récents, tels que GraphCAST, spécifiquement sur des réseaux socio-transactionnels pour garantir leur efficacité. Il est également nécessaire de déterminer comment combiner les modèles prédictifs basés sur les graphes, en intégrant les nœuds et les arêtes, en caractéristiques prédictives pertinentes pour les groupes d'intérêt. En outre, la question de l'explicabilité des modèles prédictifs doit être abordée pour assurer la transparence et la compréhension des résultats.

Les données utilisées pour la construction de ces graphes seront des données issues de transactions d’Orange Money. Il est envisagé d’enrichir ces réseaux à l’aide de données supplémentaires telles que les comptes rendus d’appels (CDR). Les verrous techniques associés concernent l’exploitation de données en grand nombre en temps raisonnable.