 Ok, merci. D'abord, je voudrais remercier l'organisateur pour l'invitation. Mon nom est José Lagesse. Je travaille avec Sestan Coquidé et Guillaume Rola à l'Institut d'Intinam et à l'Université de Bourgogne-François Comté et nous collaborons avec Dimash Epilanski. Aujourd'hui, je vais parler de la façon d'extracter l'influence globale pour l'intérêt de l'influence globale pour l'influence globale de l'influence globale de l'influence globale de l'influence globale. Donc, nous allons partager des similarities avec le talk de Katia. Et aussi, les outils sont déjà exposés dans le talk de Klaus et Katia. Et aussi ce matin, je vais être brief sur les outils mathématiques. Les sponsors. Les outils. Je vais focusser sur les topics hétéroclites. Je vais parler de l'université de Bourgogne et de l'influence globale, de l'intérêt de l'influence globale et de l'influence globale. La main purpose de ce talk est de montrer comment l'extracter l'influence globale entre les intérêts d'intérêt. Tout d'abord, je vais commencer avec les universités mondiales. Donc, vous êtes sûrs qu'il y a beaucoup, il y a 20 différents rankings de l'université globale. Donc, le plus connu est la ranking de Shanghai. Nous avons aussi la ranking de l'éducation de l'éducation des rankings de l'université globale. Et tous ces rankings provoquent un score pour chaque université. Par exemple, pour la ranking de Shanghai, il y a une combinaison de différents critères. Donc, un petit peu d'éducation, un petit peu d'éducation, un peu d'éducation de l'éducation naturelle, et puis vous avez un score opposé et si l'université a un bon score, c'est bien rangé dans la ranking de Shanghai. La ranking de l'éducation fonctionne de la même manière, mais avec d'autres critères. Aussi, les universités sont sélectées. Si vous n'êtes pas au début de la race, vous ne pouvez pas être rangé par la ranking de Shanghai. Mais bien sûr, il y a des problèmes pour... ces rankings sont en fait signifiant les policies scientifiques et les policies d'éducation de différents gouvernements. Il y a beaucoup de gens qui sont en train de faire les résultats de ces rankings. Mais il y a des problèmes de l'éducation naturelle par exemple. Vous n'aurez pas d'éducation naturelle ou de science. Donc, vous n'êtes pas favoris par ce type de ranking. Il y a aussi des types de policies gouvernementales qui ne sont pas les mêmes que dans les États-Unis, par exemple. Il y a des types de policies qui ne sont pas favorisées par ce type de ranking. Donc, la question est peut-on construire un type d'universal ranking sans un critère sans un critère prioritaire et sans un bias culturel. Donc, ce que nous avons fait, nous avons pris le Wikipedia. Donc, nous avons pris d'abord le Wikipedia, tout le monde connait le Wikipedia. Donc, l'éducation naturelle est encadée dans le Wikipedia. Tout le monde utilise ça, au moins c'est le premier approche pour un subjet Il y a beaucoup de Wikipedia, beaucoup de langues. Et nous avons pris 24 langues de Wikipedia en 2013. Donc, toutes ces éditions couvrent 60 % de la population du monde et 70 % de tous les pages totales dans toutes les éditions de Wikipedia. Donc, si, vous avez toutes les éditions avec le nombre de notes, donc ça va d'une édition en anglais avec 4 millions de pages pour mettre à 78 100 1000 pages. Donc, chaque édition c'est un réseau, donc nous avons plusieurs pages avec les liens dans les éditions de Wikipedia. Donc, nous ne faisons pas prendre les liens en dehors de la Wikipedia. Et par exemple, ici, vous avez le Nobel Prize, qui est lié à Einstein, qui est lié à Galileo, qui retourne à Einstein, etc. Pour nous, c'est, basiquement, l'une des éditions qu'on considère. Donc, juste pour rester quelque chose qui a été déjà expliqué, ok, Google Matrix Analyses, donc l'algorithme de page 1, ici. Donc, nous prenons l'adjacent c-matrix, de l'adjacent c-matrix, nous avons construit un matrix stochastique et nous avons obtenu Google Matrix J et, en fait, le vector de page 1 est juste si vous considérez J comme une matrix stochastique qui gouverne un système dynamique c'est juste le state stochastique de la procédé marcovienne gouverne par J. Donc, Pi donne la probabilité que le reader dans la Wikipedia a la probabilité que le surfer est à l'aise d'avoir suffisamment une journée dans la Wikipedia. Donc, l'algorithme de page 1 peut être summarisé par cette définition recursive plus la page est pointée par des pages importants, plus la page est importante. Donc, c'est une mesure d'influence ou une mesure de centralité et, bien sûr, c'est le début de la recherche Google J. Nous pouvons invertir tous les liens dans le réseau et nous pouvons dégager la matrix J, l'algorithme de chaine plus les points de page plus la page est importante. Donc, c'est une mesure de la propriété de l'activité communique de les nodes. Dans le rank de page, nous pouvons ranker tous les nodes selon les compagnons de pstar les compagnons de pstar vector. Ok Donc, ce que nous avons fait nous avons pris les 24 éditions nous avons rangé tous les articles dans ces éditions et, de cette rank nous avons extracté les pages dévotées à l'université. Pour exemple, pour l'édition de la France l'université de Harvard vient de la position 904 puis la technique politique et puis l'export. Donc, je pense que l'édition de la France était à peu près de 2 millions de pages donc on voit que l'université vient du début de la première édition de la rank. Donc, quand nous avons ces 24 rank 100 nous interprions tous ces rankings en utilisant cette formule, cette tata score ici et nous obtenons, à la fin du jour 1034 rank universités pour 2013 un petit plus petit algorithme Théoran et tous ces universités belongent à 142 différents pays. Donc, avec notre algorithme nous chèquons Wikipédia et nous obtenons ce top 10. Donc, le top 10 ici c'est le top 10 obtenu avec Wikipédia et c'est la ranking de Shanghai et on voit que il y a 90% de nos lapins 9 de 10 universités sont communes à l'intérieur de ces 2 top 10. Si on va au top 100 il y a 60% de nos lapins il y a 40 universités qui ne sont pas dans Shanghai qui sont dans notre ranking. Le résultat ici c'est que ce n'est pas un Harvard qui est dans la première position mais c'est le Oxbridge un couple qui traite maintenant la première 2 positions. Donc, nous pouvons dire que il semble que notre ranking mesure comme la ranking de Shanghai, l'excellence académique. Mais bien sûr, Wikipédia est une encyclopédie où il y a plus de behindage de l'excellence académique. Mais nous sommes assez surpris d'avoir une similarité entre les 2 rankings pour le top 10 et même pour le top 100. Ok, donc c'est juste quelques détails pour le Patreon pour le top 100. Je n'ai pas introduit le top 100 mais on peut regarder le ranking de Shanghai. Et le ranking de Shanghai, par exemple, nous avons Coltec ici qui est très bien très mal rancé dans notre algorithme, dans notre méthode. C'est le signe qu'il y a plein de lois pour augmenter la visibilité de Coltec dans Wikipédia. Donc, ici, nous avons dans le rank de page, le rank de chaise donc nous verrons qu'il y a une balance entre la propriété de les pages associées aux universités et leur influence. Les points rèdes ici et les points bleus sont juste le top 10 de la ranking de Shanghai. Ok. Donc, si nous regardons la distribution géographique de l'université dans notre ranking, nous avons le U.S. qui dominait. Je dois vous montrer la même picture, la même map pour le ranking de Shanghai. C'est plus ou moins le même. Nous avons aussi le U.S. qui dominait mais en comparaison à la ranking de Shanghai, nous avons plus d'universités d'université en Europe plus d'universités plus d'universités européennes et nous avons plus d'universités d'université dans Shanghai. Ça semble que Shanghai est un snapshot instantané de la picture académique de notre ranking et si nous regardons la différence, les 40 universités qui ne sont pas présentes dans Shanghai, nous voyons que ces différentes universités, Bologna, Padau, Coimbra, Colpredi Technique, Humboldt, etc. sont des universités qui sont importantes pour leur impact historique ou les impacts sociaux ou les impacts régionales. Par exemple, ici, nous avons absolument pas le top 100 de la ranking de Shanghai. Juste parce que à l'Azhar University, c'est important dans les pays arabiques. Alors, si nous regardons ce snapshot de la page web où nous postons notre ranking, ici, le 5e, le top 5, les universités qui sont fondées avant le 19e siècle donc, des universités assez oldes. Puis, nous avons ici le top 43 qui sont les universités fondées avant le 20e siècle. Et il semble que c'est appuyé qu'il y a un club assez rigide dans les New Orleans. Donc, nous pouvons aussi regarder l'évolution des années. Ok, la première université, ici, nous avons l'Université d'Italie et l'Angleterre. Je suppose, peut-être Bologna et Cambridge ou Oxford. Je ne me souviens pas quelle chose. Donc, avant le 1100, nous avons dans notre ranking des universités plus européennes. Donc, nous avons clairement les dominants de l'Université avant 1600, qui est assez normal. Puis, ici, nous avons l'émergence de les États-Unis. Le nombre d'universités dans les États-Unis est increasing. Puis, avant l'100, nous avons des dominants de l'Université d'Italie maintenant. Et maintenant, il y a l'émergence de l'Université d'Italie dans notre ranking. Ok, la prochaine étape, peut-être des dominants de l'Université d'Italie, je ne sais pas. Donc, juste la conclusion de cette petite partie ici. Donc, notre ranking est frais de toutes les préférences culturelles du point de vue. Parce qu'on utilise plusieurs editions de l'Université d'Italie. Et chaque point de vue culturel est traité sur l'équalité. Donc, notre ranking de l'excellence académique, mais aussi historique, social et régional de l'Université d'Italie. En fait, notre ranking peut être considérée complémentaire à l'existe ranking, comme la ranking de Shanghai. Mais en fait, cela encode aussi ces rankings. Parce que, quand il y a la publication d'une nouvelle ranking, chaque année d'une nouvelle ranking de l'édition de Shanghai, tous les éditeurs de Wikipedia vont aller à la page et changer la page en accord. Donc, en fait, toutes les informations sur ces rankings sont aussi encodées en Wikipedia. Ok, donc si vous voulez vérifier la position de votre l'Université, s'il vous plaît, n'hésitez pas à aller à ces websites. Donc, nous avons aussi la ranking pour 2017. Et si nous regardons la ranking de 2017 en comparaison avec le 13, nous avons le même top 10, seulement quelques displacements. Le rang a changé pour les diverses universités. Mais nous avons le même 10 universités pour le top 10. Et si nous regardons le top 11, nous arrivons à 90% de la similarité. Donc, c'est un genre de rebusiness de la ranking. Pour Shanghai, nous arrivons à 85%. Ok, maintenant, nous allons utiliser la Google Matrix, déjà introduite par Klaus et utilisé par Katia et Tuesday pour obtenir l'information du subset des pages sur les universités à l'intérieur de Wikipedia. Donc, juste pour rester la méthode, nous avons une grande networks comme une édition Wikipedia. Nous prenons des notes d'intérêts, ici, A2K, par exemple. Et nous pouvons refaire la Google Matrix comme ça. Nous avons utilisé ces lignes grilles, en partie de la Google Matrix globale. Donc, GSS, GRR, sont les lignes grilles. GSS sera à l'intérieur du bulk, ici. GRS sera les lignes de la bulk à l'intérêt de la subnetwork et GSR, la conversion. Donc, de la subnetwork à l'intérêt de la bulk. Et bien sûr, si nous nous réveillons G comme ça, bien sûr, P sera le rang des pages des notes de l'intérêt de la subnetwork et le rang des pages des notes de l'intérêt. Et bien sûr, nous encore avons l'équation GP qui s'appelle P. Donc, maintenant, la réduction de la Google Matrix est qu'on veut une matrixe qui conserve la GRR. Donc, la GRR sera pour la valeur de l'intérêt de la bulk est equal à 1. C'est la définition de la matrixe Google pour la subnetwork et pour la subnetwork. Et si nous faisons ça, juste trois lignes d'algebra nous donnerons cette formule. Bien sûr, vous avez de la GRR plus une contribution des liens directs. Donc, c'est une contribution de les liens directs et ici, c'est la contribution de les liens qui vont au-delà de la bulk et qui retournent vers l'intérêt de la subnetwork. Donc, comme Klaus m'a mentionné, cette GSS est presque J parce que, ok, vous avez une grande networks, nous avons 40, 100, 1000 notes de des millions de notes. Ce n'est pas rien, donc la GSS est presque J. Donc, Lambda C est très proche de l'une et la vector associée à Lambda C est plus ou moins la page rank. C'est plus ou moins la page rank. Donc, le truc ici c'est, ok, si vous calculez comme ce inverse, il y aura une très courte conversion mais vous pouvez l'obtenir au least avec, pour exemple, une méthode qu'on peut obtenir la première vector qui sera la page rank ici. On peut prendre le projecteur. C'est la partie complémentaire ici. Et vous pouvez mettre en place cette contribution de la page rank. Et vous pouvez mettre en place une contribution red ici, qui sera une contribution de la page rank. Donc, la contribution de la page rank c'est assez facile de comprendre. C'est juste le fait que si l'un des nodes est très close à un hub ou à un hub, il peut aller à tout le monde où il peut être connecté à l'un des nodes. Donc, cette contribution est assez triviale. C'est pourquoi nous avons l'air de cette contribution et nous allons analyser le GRR et le GQR. En fait, nous gardons le GPR dans les calculs mais nous allons analyser le GPR, le GRR et le GQR. Donc, en fait, avec les links gris qui sont les links directs et le GQR si vous avez des points qui sont assez intensifs vous pouvez faire des relations idées entre nodes qui ne sont plus connectés. Donc, c'est le sens de les links idées ici, dans cette pièce. Donc, nous allons retourner dans le GQR en 2017 et dans le GQR pour l'intérêt de l'interesse. Le top 20 universités par rapport à le PageRank et aux pays mondiaux. C'est un exemple de GRR, le GQR, associé à cette subnetwork. Ici, vous avez le top 20 universités. Ici, le GQR nous avons pour le YU85 parce que c'est le numéro de l'université dans le ranking du 2017. Donc, vous avez, ne payez pas attention à ce numéro. Vous avez des pays mondiaux et des universités 20 universités. Alors, les pays mondiaux vous voyez que les pays mondiaux sont constantes. C'est juste une image du Vecteur PageRank. Et ici sont les liens directes entre différentes entités. Ici, ce square est du pays au pays. Ici, les liens entre les pays, qui sont beaucoup plus que ici, qui sont les liens entre les pays et les universités. Et la partie GQR sont les liens directes et vous voyez qu'il y a des spots rouges ici, qui seront des liens liens entre les différents entités. Ok, donc nous avons un peu de données ici. Ce n'est pas si facile de comprendre ce qu'il veut. On doit délire avec ces données et extraire des informations. Le moyen de faire ça est d'utiliser le pays rank de la TVT. Dans le sens où vous changez le lien de la note J à I et vous regardez le pays rank, la variation, le dérivatif, de le pays rank de la KS note. Donc, c'est juste une dérivation. On peut faire ça analytiquement et implementer ça dans la computer. Et c'est, pour exemple, la sensibilité de Harvard dans le pays. Ici, nous avons par exemple l'Afrique du Sous-Afrique qui est très sensible à Harvard, puis Puerto Rico, Georgia, puis Israel, Ireland et tout. Ici, l'Afrique du Sous-Afrique est assez évidente parce que si nous regardons la page de Harvard il y a des investissements d'unité Harvard dans le régime qui fait un scandale à ce moment. Et c'est député dans la page de Harvard, dans la page de Harvard. C'est pourquoi l'Afrique du Sous-Afrique est très high. Je pense que pour Puerto Rico c'est parce que le logo de Harvard est dans des universités porto-ricaniques qui est quelque part dans le campus d'une université porto-ricanique. C'est pourquoi il s'appuie ici aussi. Mais si nous regardons l'Israël, l'Israël et l'Irlande, ils ne s'appuient pas tout à l'intérieur de la page de Harvard. Et même si nous collons un petit peu en bas, nous regardons des liens différents qui viennent de Harvard, c'est assez difficile d'obtenir la information de pourquoi Georgia, l'Israël et l'Irlande sont très sensibles à Harvard. C'est le même pour Stanford. Stanford, c'est Spagne qui vient du 1er an parce qu'il y a des constructeurs dans le campus Stanford qui sont des influences spanishes. Mais Puerto Rico, l'Afrique du Sous-Afrique, Georgia et l'Irlande, Canada et l'Irlande n'est pas si facile d'interpréter pourquoi ils sont aussi sensibles à Stanford. Mais le réseau dit qu'il est sensible. Pour Chicago, c'est une même analyse. En Inde, je pense que Chicago ouvre un campus en Inde. C'est pourquoi l'Inde est ici, mais Singapore, Puerto Rico, etc. Ils sont aussi sensibles. Et l'Université d'Oxford, il y a l'Iraq, pour exemple, Laurence Darabia a gradué à Oxford. C'est pourquoi l'Iraq est ici, je pense, parce que c'est un lien direct de l'Iraq dans l'Oxford. Et vous avez aussi aussi des sensibles à Chordania, des États-Unis, des pays britanniques, etc. On y retourne aux universités, et on regarde l'interaction entre les universités. Nous prenons la top 20 universités dans l'Iraq. Ce sont ces 20 universités. La gauche est la matrixe GRR, et ici c'est la partie GQR. Donc, direct lien et les links de l'Iraq. En fait, l'objectif de l'interesse est le summe de les deux matrices. Et si on regarde les summes de les deux matrices, vous pouvez faire des relations entre les différents universités. Et vous pouvez jouer un réseau de universités. Donc, pour exemple, ici on ne voit rien. Il y a des circonstances. Vous voyez des circonstances ici sur la table? Non. Il y a des circonstances belles. Chicago, Stanford, Oxford, Harvard sont sur un grand circonstance. Ici. Je ne sais pas si vous voyez quelque chose. Et nous avons pris des leaders régionales. Donc, l'U.S., Harvard est le leader de l'East Coast. Stanford est le leader de l'East Coast. Le leader est le bien rang entre les universités de l'East Coast. Chicago pour la région centrale et l'U.K. pour l'U.K. Oxford est le bien rang université pour l'U.K. Ok. Il y a un circonstance. Et puis, nous construisons ce réseau, un réseau réduit. Nous regardons, par exemple, si vous regardez Stanford, ok, nous sommes ces deux matrices et nous regardons le meilleur ami de Stanford, les meilleures universités de l'East Coast. Nous regardons les quatre liens. Ici, il y a Cornell, Berkeley, Harvard et nous ajoutons aussi cette contribution. Donc, Stanford, il y a Berkeley qui est déjà ici qui sera certainement MIT. Donc, nous avons Stanford va au Cornell, Berkeley MIT et un autre qui est Harvard, peut-être MIT, Harvard, Cornell et Berkeley. Et si la note est déjà présente dans le graph, nous n'avons pas ajouté cette note, mais si elle n'est pas présente, nous ajoutons ce nouveau ami dans la vicinity de la note formale. Donc, ici, nous devons avoir ce qui ne s'appuie pas, mais c'est étrange, c'est sur mon écran. Ici, il y a un autre Circle de Friendship, ici. Et puis, vous retirez le processus. Et ici, vous avez un Circle Round Cornell. Ici, vous avez un Circle Round Berkeley, qui a un close friend NYU et tout. Et nous arrêtons jusqu'à qu'il n'y ait pas plus d'universités, que nous ne pouvons pas ajouter une nouvelle université dans le graph. Donc, nous avons ici un cluster d'universités de l'escoce, un cluster d'universités de l'UK. Je n'ai pas oublié de mentionner que les black links sont si nous utilisons si il y a une entrée pour les matrices adjacentes de Chicago à Oxford. Donc, nous mettons un black arrow. Si il n'y a pas une entrée pour les matrices adjacentes, nous assumons que c'est un link et c'est le red, le red arrow, le red link ici. Donc, nous pouvons faire un processus pour différentes editions wikipedia. Par exemple, ici, la edition french wikipedia. Le même année, vous avez des leaders originaux de France, U.S., U.K., Canada et Belgium. Ils sont tous dans un cycle ici. Donc, le premier cycle. Puis, vous retirez ici, vous voyez qu'il y a un component français de l'université, ici, sur le gauche, ici. Nous avons un component fort de l'université en anglais. Des universités françaises en France, de Canada et Belgium. Et il y a des factures intéressantes ici. Si vous follow tous ces liens, vous serez trappés dans l'université. Il n'y a aucun moyen d'escaper de ce coin. Si vous allez de l'une de ces universités dans ce component, vous êtes trappés toujours dans l'université. C'est lié à la facture que dans l'université french wikipedia et aussi dans toutes d'autres éditions, les universités françaises sont très bonnes, très malades et très isolées des choses. D'un point de vue russien, ici, on voit, pour exemple, que les universités russiennes sont liées aux universités des universités en Germany. Le Leipzig et Berlin, ici. Si nous regardons l'université german wikipedia l'université german wikipedia c'est un peu particulier. Il n'y a pas, ok, ici les universités german, US, UK et Austria. Et en fait, il y a très peu d'universités seulement trois universités qui ne sont pas allemandes. Les autres sont tous allemandes. Il y a un fort ce qui vient de la facture que dans le wikipedia, dans le german wikipedia, il y a une très forte préférence pour les universités german dans le top 100 éditions. Nous avons, la plupart des universités sont germans. Ok, donc c'est tout pour les universités. Qu'est-ce que j'ai encore ? Ok. Nous allons parler de l'infrastructure de l'université maintenant. Donc, c'est le même, ok, on ne voit rien. Le même processus, ici. L'infrastructure de l'université. Donc, nous avons 230 éléments ici, dans cette liste. Donc, nous groupons tous les... Ceci peut être groupé dans différents types. Bacteriaux type, en rouge. Viral type, en gris. Parasitic type, en jaillot. Fungal type, en cyan. Multiples types. Prionic type, en bleu. Et autres types, en jaillot. Donc, bien sûr, nous pouvons, à l'intérieur de l'Equipédia, ranker toutes ces... toutes ces décisions, pour savoir ce qui est le plus influent, le plus central de ces décisions à l'intérieur de l'Equipédia. Ok, ici, nous avons interprété la ranking, juste pour faire une comparaison. Nous avons interprété la ranking de les pays et les décisions. Donc, vous devez aller à la 105... 105 universités avant, nous pouvons trouver la première décision infectuelle, qui est la tuberculose. Et puis, la seconde est la HIV. Et puis, je pense, c'est la malaria, la colérance. Donc, nous rankons toutes ces décisions. Et donc, c'est une picture de les directives de les pays ici, dans le milieu, les propres composants de pays qui sont centrales dans l'Equipédia édition. Et ce sont les couleurs correspondantes. Si nous regardons la densité d'articles dans la plane K-star, nous retirons le fait que les pays sont les premières articles dans l'Equipédia. Et puis, la décision infectuelle commence à s'appliquer autour de la place 900 pour la tuberculose. Donc, d'ici 1 000 jusqu'à la fin de l'Equipédia. Donc, c'est la place des pays, et c'est dans l'Equipédia. Donc, maintenant, nous pouvons prendre un look à la matrix de Google pour les intérêts infectiaux sur les pays. Donc, ici, nous divisez les rôles par pays. Ici, nous le groupons par continent, par Amérique, par Europe, etc. Ici, nous le groupons par type, bacterial, viral, etc. Donc, c'est la picture globale de la matrix de Google. Nous retirons des features constantes qui sont encodées dans le GPR. Nous avons le GRR, c'est juste une autre représentation de la matrix d'adjacent, en fait. Et le GQR, qui sont les links éden. Ok, et bien sûr, l'objectif d'interesse sera le GQR et le GQR ici. Ok, ce n'est pas exploitable comme ça, mais nous pouvons aussi faire des nets, des nets réduits pour ceci, ici. Le même ici, par type de ceci. Donc, nous avons pris les leaders. Le leader de le type bacterial, HIV, AIDS, pour le type viral. Il devait être malaria pour le type parasithique. Codidiasis pour le type fungal. Codidiasis pour le multiple type de ceci. Cossuel Jacob pour le prionnée et Desmus pour le type odor ou le type nommé. Donc, nous interrègons le même processus pour les universités, pour le ceci. Donc, nous voyons la bien-known co-infinction entre HIV et tuberculosis. C'est vrai que dans les pays où tuberculosis existe, c'est très souvent que si vous avez AIDS, vous pouvez prendre cette opportunité, en ce cas, c'est une opportunité de ceci. Donc, c'est une bien documentée interaction entre tuberculosis et HIV. Il y a aussi une opportunité bien non opportuniste. C'est dans le cas de HIV, comme Codidiasis, qui est un type fungal. Il y a aussi les civils, les syndémiques civils en HIV AIDS sont aussi très bien documentés dans la literature. Ici, vous avez ce que j'appelle le mosquito group. C'est causé par mosquitos. Cépsis et monélogythie sont relatives parce que les symptômes sont les mêmes. Pneumonia, c'est aussi causé par la Codidiasis. Et nous avons aussi le leprosy qui est un cas avant le 20e siècle. Les gens avec leprosy ont été accusés pour avoir des civils et les symptômes de leprosy et les civils sont au début les mêmes. Vous avez un lien entre le coureau et le chacune, qui sont les deux plus connus pionnés. Il y a ici, si vous comparez avec l'université, il y a un moyen moins de liens éden, pour les universités. Ici, nous avons un lien éden parce que le coureau est endémique de Papua et New Guinea. Et dans une langue de ce pays, le coureau signifie de Chiva. Et c'est comme quand vous avez un moyen commun. C'est pourquoi il y a ce lien entre les deux. Donc, nous avons checké la littérature de ce genre de réseau. Ça fait sens, parce que nous regardons la littérature et effectivement ces relations ne sont pas ok. Ce n'est pas de lost paper qu'on a trouvé en quelque part, on peut toujours trouver une relation entre deux diseases en quelque part. Et en ce moment, c'est une interaction bien documentée. Donc, ce genre de réseau fait sens. Et nous pouvons aller plus loin. Ok, nous n'avons pas député cette picture, mais vous pouvez ajouter des amis du pays. Non, ok, les amis, peut-être ce n'est pas très bien choisi en termes, mais ok. Les pays les plus belles de ces différentes diseases. Donc, ce sont des diseases qui sont connectées aux pays asieniques. Kuru, qui est connecté à Papua New Guinea, Kosovo Jakob, aux États-Unis. C'est parce que je suppose que le Crazy Co, etc. Donc, ce genre de réseau qui fait sens dans le sens que les relations sont les plus belles. Ok, donc, nous pouvons aussi regarder la sensibilité pour un pays donné à l'HIV. Nous avons reçu des pays malin impactés de l'Afrique. Pour les tuberculosis, par exemple, nous avons Zouaziland, qui sont affectés en Égypte. Nous avons la sensibilité parce que l'Egypte est très sensible parce qu'il y a des traces de tuberculosis qu'on a dans l'ancien mummys dans le pyramide. C'est pourquoi, ici, vous avez l'Egypte pour les tuberculosis. Ok, nous comparons nos résultats avec les résultats disponibles dans la organisation de l'HIV. Donc, pour les tuberculosis et l'HIV-8, par exemple, nous rankons les pays en utilisant la sensibilité. Donc, le meilleur sensibilité est à la première place, à la seconde, etc. Et nous regardons les infections de l'HIV en 2017 pour ranker les pays. Et si nous regardons ces deux rankings, nous verrons que si vous regardez le top 50, nous atteindrons quelque chose de 65 % de l'HIV. Si nous regardons les tuberculosis, ici, pour le top 50, et si nous regardons l'incidence dans la organisation de l'HIV en 2016, donc l'incidence et les infections sont exactement les mêmes, mais ok. Et nous obtenons quelque chose de 30 % de l'HIV qui est comparable à 60 % et 30 % sont comparables à ce qu'on obtient pour l'université, et aussi dans le travail où les figures historiques sont rankées avec la Wikipedia. Et quand vous comparez différents rankings, ces valeurs sont assez habituelles. Ici, pour les rankings des diseases, nous rankons les diseases par mort dans un anniversité je ne m'en souviens pas et nous rankons les diseases par pays. Nous avons atteint 100 % pour le top 4, donc nous agrions avec le top 4 même si ce n'est pas le même ordre. Et nous avons plus ou moins pour le top 30, 50 % de l'agrement. Nous pouvons aussi utiliser la sensitivity en regardant la maximum sensitivity pour chaque pays pour une certaine map qui n'est pas exactement la même, qui sont similaires aux maps présentées dans l'organisation de l'organisation. Ok, donc juste deux mots sur le cancer, c'est le même, ce sont les résultats préliminaires il n'y a rien publié et nous pouvons faire le même, retirer le même, ici nous avons le cancer, les drogues, ici c'est la position des pays, les points rèdes qui ne sont pas visibles dans le slide sont les diseases ici, ok, c'est juste l'image de l'organisation nous pouvons aussi, ce n'est pas encore analysé mais ok, nous pouvons aussi regarder le cancer la sensitivity de la pays pour un cancer, un cancer, un cancer, un cancer, un cancer, etc. Nous pouvons aussi regarder l'organisation du cancer mais ce qui est plus intéressant dans ce travail, nous pouvons regarder le cancer l'organisation du cancer et faire des relations avec les drogues donc nous avons aussi ici, il y a je ne sais pas, 200 drogues peut-être, quelque chose comme ça associé à la cancer et nous pouvons faire la relation, la relation de l'organisation ou la relation directe entre les cancers les différents drogues donc, en conclusion, cette méthode de la méthode de Google encodant toute l'information de la réseau mondiale peut donner beaucoup d'assignement une façon dont la relation entre les entités est de l'intérêt mais nous pouvons faire des progrès qui sont parfois obliques d'autres fois d'un wikipedia qui peut facilement envoyer une interaction entre les entités de l'intérêt oui, je parle de l'investissement, des pays, etc nous pouvons faire la chose inverse nous pouvons, par exemple, choisir une université en regardant l'utilisation de Google Matrix nous pouvons utiliser Google Matrix pour trouver articles qui peuvent augmenter l'influence de l'université dans le sens où nous pouvons augmenter la visibilité de l'université d'un wikipedia, en utilisant cette méthode donc, pour l'infection nous avons vérifié que les résultats étaient corrects par la littérature et par l'organisation de l'organisation mondiale et, bien sûr, le wikipedia est un encyclopédia donc, c'est facile de surfer c'est facile de vérifier si ce qu'on dit est bon parce que c'est humain mais qu'est-ce qu'il y a d'autres données, comme la networks de trade nous avons vu le talk par Leo Hermann et nous avons vu effectivement, la production de Google Matrix peut être efficace peut être utilisé pour étudier les networks de trade et aussi, nous pouvons parler d'interaction causale des networks, obtenant de la création d'un grand nombre de publications biologiques et nous avons trouvé, je pense, des résultats intéressants qui seront présentés par André dans le prochain talk merci beaucoup merci j'ai une question vous étudiez la sensibilité des résultats si vous changez alpha quel est le point qui se change alpha ? alpha en fait, dans le rang alpha j'espère que rien ne s'apprêtera si vous changez un peu alpha parce que alpha c'est juste la graine c'est un moyen de couper toutes les modules de lambda equal à 1 les eigenes valeurs en fait, si vous changez alpha à 1 vous avez beaucoup, beaucoup de subspace et vous avez beaucoup, beaucoup d'importance mais si vous changez alpha j'espère que, non, le rang est la même le nombre ne sera pas la même mais la probabilité ne sera pas la même mais le rang devrait être la même si vous changez alpha ça vous donnera de plus plus de parts donc vous donnera plus d'importance pour plus de links plus de notes plus de notes si vous diminuez alpha si vous diminuez alpha ici le collègue il y a un collègue ah, c'est un collègue oui non, il faut que vous le recevrez si vous êtes un collègue très local de page ranker très global de page ranker avec ces relations avec les counties, pour exemple, qui change il y a un étudiant il y a un étudiant il n'y a pas de signifique il change mais si alpha il y a un étudiant vous avez concentration d'une certaine subspace d'une certaine façon il y a un étudiant il y a un étudiant c'est un étudiant pas pour les coulomètres, mais pour les pages page ranker sur alpha si vous convoyez à 1 le collègue de page ranker sur les subpaces essentielles mais si vous changez de 0.85 à 0.9 je dirais que 0.99 il change mais si vous allez à 0.199 il change un trajectoire d'100 il peut être plus intéressant que maintenant il peut donner une modification pour des indirectes pour les indirectes mais la question c'est de la rank globale ou de la réduire je pense que ça va parce que la réduire nous réduisons les magasins de Google nous ne faisons pas actes dans alpha nous pouvons actes a priori nous avons besoin d'alpha au début c'est out alpha il y a d'autres questions ? oui vous avez déjà expérimenté des news de Wikipedia news, news oui, parce que c'est aussi un élément intéressant et je sais que dans Wikipedia il y a tous les jours des news et je pense que il y a des magasins des news oui il y a des interactions entre les pays donc ce n'est pas un lien direct mais les interactions vous parlez de les highlights de Wikipedia et la première page de Wikipedia ce sont les news de Wikipedia dans Wikipedia vous avez toutes les nouvelles et c'est beaucoup d'interessants pour les magasins de Google parce que vous pouvez aussi réduire les news avec des universités ok, bonne suggestion ok, il n'y a pas plus de questions peut-être qu'on se retire à la fin ?