L'analyse des réseaux
Les réseaux affectent énormément la vie moderne et toute la vie en fait. Les réseaux sont grandement étudiés dans de nombreux contextes, mais ils utilisent souvent des méthodes paramétriques bayésiennes plutôt limitées. Le projet BNPNET (Bayesian nonparametric methods for networks and recommender systems), financé par l'UE, a développé et appliqué à ce sujet de nouvelles méthodes bayésiennes non-paramétriques. Plus précisément, les travaux portaient sur le commerce électronique, où la plupart des acheteurs achètent seulement quelques articles dans une grande offre disponible. Les nouveaux modèles évolutifs ont été appliqués à la modélisation probabiliste des grands réseaux et des systèmes de recommandation du commerce électronique. Cependant, les travaux s'appliquent également à tous les aspects de la mise en réseau, y compris les sciences biologiques et sociales et la technologie de l'information. Les chercheurs ont développé de nouvelles classes de modèles statistiques pour les réseaux. Les modèles illustrent l'aspect puissance-loi des réseaux réels, où la majorité des acheteurs achètent juste quelques articles. Les modèles comprennent également des paramètres interprétables, fournissant une meilleure compréhension de la structure du réseau. Les modèles BNPNET possèdent des propriétés de grande échelle bien comprises. De même, les algorithmes pour l'apprentissage des paramètres du modèle sont également disponibles. Le résultat principal impliquait la classe associée des modèles produisant des graphiques «rares». Le terme signifie que le nombre de connexions de réseau est plus petit que le nombre de connexions possibles, comme dans des situations réelles. Les tests ont montré que les nouveaux modèles ont pu apprendre et évaluer le niveau de parcimonie dans un large éventail de contextes de réseau du monde réel. Les modèles ont également été en mesure de réaliser des prévisions plus précises pour ces graphiques. BNPNET a développé de nouveaux modèles évolutifs des réseaux. Ceux-ci ont été développés pour rendre les applications de recommandation des produits du commerce électronique plus efficaces.
Mots‑clés
Réseaux, commerce électronique, systèmes de recommandation, bayésien, méthodes paramétriques, BNPNET