@inproceedings{Combe2014,
author = {Combe, David and Largeron, Christine and Egyed-Zsigmond, Elod and G\'{e}ry, Mathias},
booktitle = {Extraction et gestion des connaissances (EGC 2014)},
number = {\`{a} para\^{\i}tre},
title = {{Vers une modularit\'e pour donn\'ees vectorielles}},
year = {2014},
abstract = {La modularité a été introduite par Newman et Girwan pour mesurer la qualité d'une partition des sommets d'un graphe mais cette mesure ne prend pas en comte d'éventuelles valeurs associées à ces sommets. Dans ce papier, nous introduisons une mesure de modularité complémentaire, basée sur l'inertie, et adaptée pour évaluer la qualité d'une partition d'éléments représentés dans un espace vectoriel réel. Cette mesure se veut un pendant pour la classification non supervisée de la modularité de Newman et Girvan conçue pour la détection de communautés dans un réseau social. Nous proposons 2Mod-Louvain, une méthode utilisant notre critère de modularité basée sur l'inertie conjointement à la modularité de Newman et Girvan pour détecter des communautés dans des réseaux d'information. Les expérimentations que nous avons menées ont montré qu'en exploitant à la fois les données relationnelles et vectorielles, 2Mod-Louvain détectaient plus efficacement les communautés que des méthodes utilisant un seul type de données et qu'elle était robuste face à une dégradation des relations, des attributs, une augmentation de la densité des relations ou de la taille du réseau.}
}