Coefficient de Clustering d'intérêt : une nouvelle métrique pour les graphes dirigés comme Twitter

Nous etudions dans ce papier le coefficient de clustering de graphes sociaux diriges. Le coefficient de clustering a ete introduit pour capturer le phenomene social selon lequel les amis de mes amis sont mes amis, et a ete largement etudie depuis, se montrant d'un grand interet pour decrire les caracteristiques sociales d'un graphe. Cependant, ce parametre est adapte pour un graphe dans lequel les liens ne sont pas orientes, comme les liens d'amities (Facebook) ou les liens professionnels (LinkedIn), mais devient inadapte pour un graphe dans lequel les liens sont diriges d'une source d'informations vers un consommateur d'informations. Nous montrons que les etudes precedentes ont manque une grande partie des informations contenues dans la partie dirigee de ces graphes. Dans ce papier, nous introduisons une nouvelle metrique pour mesurer le clustering d'un graphe social oriente avec des liens d'interet, que l'on nomme le coefficient de clustering d'interet. Nous calculons sa valeur, exactement et a l'aide de methodes d'echantillonnage, sur un graphe de Twitter comprenant 505 millions de nœuds et 23 milliards d'aretes. Nous mesurons en outre les valeurs des coefficients de clustering diriges et non diriges precedemment introduits dans la litterature, une premiere sur un si grand graphe. Nous montrons que le coefficient de clustering d'interet est plus grand que les coefficients de clustering diriges classiques. Cela montre la pertinence de cette nouvelle metrique pour capturer l'aspect informatif des graphes diriges.