Veuillez utiliser cette adresse pour citer ce document : https://di.univ-blida.dz/jspui/handle/123456789/31592
Affichage complet
Élément Dublin CoreValeurLangue
dc.contributor.authorAllag, Maroua-
dc.contributor.authorBoulhouache, Roumaissa-
dc.contributor.authorAmmar Aouchiche, Imene (Promotrice)-
dc.contributor.authorRemmide, Mohamed Abdelkarim (Promoteur)-
dc.date.accessioned2024-10-22T13:42:11Z-
dc.date.available2024-10-22T13:42:11Z-
dc.date.issued2024-07-
dc.identifier.urihttps://di.univ-blida.dz/jspui/handle/123456789/31592-
dc.descriptionill., Bibliogr. Cote:ma-004-1015fr_FR
dc.description.abstractAu cours des dernières années, les cryptomonnaies ont profondément transformé le secteur financier grâce à la technologie de la blockchain, permettant des transactions sécurisées et décentralisées. Cette évolution a engendré une nouvelle génération d’influenceurs spécialisés, jouant un rôle crucial dans l’éducation du public, l’analyse des tendances du marché, la promotion de projets innovants et la gestion de communautés en ligne. Toutefois, cette montée en puissance des influenceurs a aussi posé des défis importants, tels que la propagation de désinformation, les conflits d’intérêts et les fraudes, contribuant ainsi à accroître la volatilité des prix et mettant en évidence la nécessité d’une régulation renforcée pour restaurer la confiance des investisseurs. Les médias sociaux, quant à eux, ont amplifié ces problèmes en facilitant la diffusion de désinformation et la manipulation du marché, soulignant l’importance de mécanismes de vérification et de surveillance rigoureuse. Dans ce mémoire, nous avons exploré une solution à ces défis en nous concentrant sur le profilage des influenceurs dans le domaine des cryptomonnaies. Notre méthode comprenait trois étapes principales : évaluer leur degré d’influence, comprendre leurs intérêts spécifiques et examiner leurs intentions. Pour ce faire, nous avons utilisé deux modèles d’apprentissage par transfert, SetFit et DistilBERT, appliqués au jeu de données Twitter PAN2023 avec un nombre limité d’itérations d’apprentissage. Nous avons mené plusieurs expériences sur ce jeu de données et avons atteint un taux de précision de 80,77% avec le modèle DistilBERT et de 82,69% avec le modèle SetFit pour le profilage des influenceurs de cryptomonnaie. Mots clés : SetFit, DistilBERT, Apprentissage par transfert, Profilage des infleunceurs de cryptomonnaie.fr_FR
dc.language.isofrfr_FR
dc.publisherUniversité Blida 1fr_FR
dc.subjectSetFitfr_FR
dc.subjectDistilBERTfr_FR
dc.subjectApprentissage par transfertfr_FR
dc.subjectProfilage des infleunceurs de cryptomonnaiefr_FR
dc.titleProfilage des Influenceurs de Cryptomonnaies sur Twitterfr_FR
dc.typeThesisfr_FR
Collection(s) :Mémoires de Master

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
Allag Maroua et Boulhouache Roumaissa.pdf4,16 MBAdobe PDFVoir/Ouvrir


Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.