Youcef Abdelsadek
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Previous Organizations / Institutes
The organizations / institutes from the scholar's other articles in the past ten years
Youcef Abdelsadek has a total of 18 co-authors. Here are the top co-authors by number of shared publications:
- Imed Kacem
Université de Lorraine
7 shared publications Benoît Otjacques
Institute of Science and Technology
3 shared publications- Benoît Otjacques
Luxembourg Institute of Science and Technology (LIST) Luxembourg
2 shared publications Francine Herrmann
Université de Lorraine
2 shared publications- Francine Herrmann
Université de Lorraine
2 shared publications - Kamel Chelghoum
Université de Lorraine
2 shared publications
Latest Publications
- 2 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Triangle packing for community detection : algorithms, visualizations and application to Twitter's network
La détection de communautés basée sur la triangulation de graphes : algorithmes, visualisations et application aux réseaux de tweets: De nos jours, nous générons une quantité immensément grande de données juste en accomplissant nos simples tâches quotidiennes. L'analyse de ces données soulève des challenges ardus. Dans cette thèse, nous nous intéressons à deux aspects des données relationnelles. En premier lieu, nous considérons les données relationnelles dans lesquelles les relations sont pondérées. Un exemple concret serait le nombre commun de suiveurs entre deux utilisateurs de Twitter. Dans un deuxième temps, nous abordons le cas dynamique de ces données qui est inhérent à leur nature. Par exemple, le nombre de suiveurs communs pourrait changer au fil du temps. Dans cette thèse nous utilisons les graphes pour modéliser ces données qui sont à la fois complexes et évolutives. Les travaux de cette thèse s'articulent aussi autour de la détection de communautés pour les graphes pondérés et dynamiques. Pour un utilisateur expert, l'identification de ces communautés pourrait l'aider à comprendre la sémantique sous-jacente à la structure du graphe. Notre hypothèse repose sur l'utilisation des triangles comme ossature pour la détection de communautés. Cela nous a amenés à proposer plusieurs algorithmes : Séparation et évaluation, recherche gloutonne, heuristiques et algorithme génétique sont proposés. En se basant sur cet ensemble de triangles, nous proposons un algorithme de détection de communautés, appelé Tribase. L'idée conductrice de cet algorithme est de comparer les poids des communautés, permettant aux communautés dominantes d'acquérir plus de membres. Les résultats de l'étude comparative sur le benchmark LFR montrent que l'algorithme que nous proposons parvient à détecter les communautés dans les graphes dans lesquels une structure de communautés existe. De plus, l'applicabilité de notre algorithme a été testée sur des données réelles du projet ANR Info-RSN. Dans l'optique d'accompagner l'utilisateur expert dans son processus d'acquisition de l'information, une application visuelle et interactive a été implémentée. NLCOMS (Nœud-Lien et COMmunautéS) propose une panoplie de vues synchronisées pour la représentation de l'information. Par ailleurs, nous proposons dans cette thèse un algorithme de détection de communautés pour les graphes pondérés et dynamiques, appelé Dyci. Dyci permet de gérer les différents scénarios de mise à jour possibles de la structure du graphe. L'idée principale de Dyci est de guetter au cours du temps l'affaiblissement d'une communauté (en termes de poids) dans le but de reconsidérer localement sa place dans la structure, évitant ainsi une réindentification globale des communautés. Une étude comparative a été menée montrant que l'algorithme que nous proposons offre un bon compromis entre la solution obtenue et le temps de calcul. Finalement, l'intégration dans NLCOMS des visualisations adéquates pour la variante dynamique a été effectuée
- 2 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Triangle packing for community detection : algorithms, visualizations and application to Twitter's network
La détection de communautés basée sur la triangulation de graphes : algorithmes, visualisations et application aux réseaux de tweets: De nos jours, nous générons une quantité immensément grande de données juste en accomplissant nos simples tâches quotidiennes. L'analyse de ces données soulève des challenges ardus. Dans cette thèse, nous nous intéressons à deux aspects des données relationnelles. En premier lieu, nous considérons les données relationnelles dans lesquelles les relations sont pondérées. Un exemple concret serait le nombre commun de suiveurs entre deux utilisateurs de Twitter. Dans un deuxième temps, nous abordons le cas dynamique de ces données qui est inhérent à leur nature. Par exemple, le nombre de suiveurs communs pourrait changer au fil du temps. Dans cette thèse nous utilisons les graphes pour modéliser ces données qui sont à la fois complexes et évolutives. Les travaux de cette thèse s'articulent aussi autour de la détection de communautés pour les graphes pondérés et dynamiques. Pour un utilisateur expert, l'identification de ces communautés pourrait l'aider à comprendre la sémantique sous-jacente à la structure du graphe. Notre hypothèse repose sur l'utilisation des triangles comme ossature pour la détection de communautés. Cela nous a amenés à proposer plusieurs algorithmes : Séparation et évaluation, recherche gloutonne, heuristiques et algorithme génétique sont proposés. En se basant sur cet ensemble de triangles, nous proposons un algorithme de détection de communautés, appelé Tribase. L'idée conductrice de cet algorithme est de comparer les poids des communautés, permettant aux communautés dominantes d'acquérir plus de membres. Les résultats de l'étude comparative sur le benchmark LFR montrent que l'algorithme que nous proposons parvient à détecter les communautés dans les graphes dans lesquels une structure de communautés existe. De plus, l'applicabilité de notre algorithme a été testée sur des données réelles du projet ANR Info-RSN. Dans l'optique d'accompagner l'utilisateur expert dans son processus d'acquisition de l'information, une application visuelle et interactive a été implémentée. NLCOMS (Nœud-Lien et COMmunautéS) propose une panoplie de vues synchronisées pour la représentation de l'information. Par ailleurs, nous proposons dans cette thèse un algorithme de détection de communautés pour les graphes pondérés et dynamiques, appelé Dyci. Dyci permet de gérer les différents scénarios de mise à jour possibles de la structure du graphe. L'idée principale de Dyci est de guetter au cours du temps l'affaiblissement d'une communauté (en termes de poids) dans le but de reconsidérer localement sa place dans la structure, évitant ainsi une réindentification globale des communautés. Une étude comparative a été menée montrant que l'algorithme que nous proposons offre un bon compromis entre la solution obtenue et le temps de calcul. Finalement, l'intégration dans NLCOMS des visualisations adéquates pour la variante dynamique a été effectuée
- 2 January 2026
- Published by Springer Nature
- p. 159-170
Machine Learning for Characterizing the Tardiness Minimization Problem on a Single Machine
- 2 January 2026
- Published by Springer Nature
- p. 159-170
Machine Learning for Characterizing the Tardiness Minimization Problem on a Single Machine
- 2 January 2026
- Published by Springer Nature
- p. 171-182
Maximum Lateness Minimization on Two-Parallel Machine with a Non-availability Interval
- 2 January 2026
- Published by Springer Nature
- p. 171-182
Maximum Lateness Minimization on Two-Parallel Machine with a Non-availability Interval
- 27 August 2025
- Published by Springer Nature
- p. 3-14
Toward an Automatic Behavior Identification for User Experience Understanding
- 27 August 2025
- Published by Springer Nature
- p. 3-14
Toward an Automatic Behavior Identification for User Experience Understanding
- 25 November 2016
- Published by Springer Nature
- p. 111-123
On the Community Identification in Weighted Time-Varying Networks
- 25 November 2016
- Published by Springer Nature
- p. 111-123
On the Community Identification in Weighted Time-Varying Networks
- Open Access
On the visualization of the detected communities in dynamic networks: A case study of Twitter's network
Understanding the information behind social relationships represented by a network is very challenging, especially, when the social interactions change over time inducing updates on the network topology. In this context, this paper proposes an approach for analysing dynamic social networks, more precisely for Twitter's network. Our approach relies on two complementary steps: (i) an online community identification based on a dynamic community detection algorithm called Dyci. The main idea of Dyci is to track whether a connected component of the weighted graph becomes weak over time, in order to merge it with the "dominant" neighbour community. Additionally, (ii) a community visualization is provided by our visualization tool called NLCOMS, which combines between two methods of dynamic network visualization. In order to assess the efficiency and the applicability of the proposed approach, we consider real-world data of the ANR-Info-RSN project, which deals with community analysis in Twitter.
Open AccessOn the visualization of the detected communities in dynamic networks: A case study of Twitter's network
Understanding the information behind social relationships represented by a network is very challenging, especially, when the social interactions change over time inducing updates on the network topology. In this context, this paper proposes an approach for analysing dynamic social networks, more precisely for Twitter's network. Our approach relies on two complementary steps: (i) an online community identification based on a dynamic community detection algorithm called Dyci. The main idea of Dyci is to track whether a connected component of the weighted graph becomes weak over time, in order to merge it with the "dominant" neighbour community. Additionally, (ii) a community visualization is provided by our visualization tool called NLCOMS, which combines between two methods of dynamic network visualization. In order to assess the efficiency and the applicability of the proposed approach, we consider real-world data of the ANR-Info-RSN project, which deals with community analysis in Twitter.
- Open Access
Triangles as basis to detect communities: an application to Twitter's network
Nowadays, the interest given by the scientific community to the investigation of the data generated by social networks is increasing as much as the exponential increasing of social network data. The data structure complexity is one among the snags, which slowdown their understanding. On the other hand, community detection in social networks helps the analyzers to reveal the structure and the underlying semantic within communities. In this paper we propose an interactive visualization approach relying on our application NLCOMS, which uses synchronous and related views for graph and community visualization. Additionally, we present our algorithm for community detection in networks. A computation study is conducted on instances generated with the LFR [9]-[10] benchmark. Finally, in order to assess our approach on real-world data, we consider the data of the ANR-Info-RSN project. The latter addresses community detection in Twitter.
Open AccessTriangles as basis to detect communities: an application to Twitter's network
Nowadays, the interest given by the scientific community to the investigation of the data generated by social networks is increasing as much as the exponential increasing of social network data. The data structure complexity is one among the snags, which slowdown their understanding. On the other hand, community detection in social networks helps the analyzers to reveal the structure and the underlying semantic within communities. In this paper we propose an interactive visualization approach relying on our application NLCOMS, which uses synchronous and related views for graph and community visualization. Additionally, we present our algorithm for community detection in networks. A computation study is conducted on instances generated with the LFR [9]-[10] benchmark. Finally, in order to assess our approach on real-world data, we consider the data of the ANR-Info-RSN project. The latter addresses community detection in Twitter.
- 14 June 2016
- Published by Springer Nature in Lecture Notes in Computer Science
- p. 342-349
Visual Interactive Approach for Mining Twitter’s Networks
- 14 June 2016
- Published by Springer Nature in Lecture Notes in Computer Science
- p. 342-349
Visual Interactive Approach for Mining Twitter’s Networks
- 1 March 2015
- Published by Elsevier in Computers & Industrial Engineering
- Vol. 81, 147-157
Branch-and-bound algorithm for the maximum triangle packing problem
- 1 March 2015
- Published by Elsevier in Computers & Industrial Engineering
- Vol. 81, 147-157
Branch-and-bound algorithm for the maximum triangle packing problem