Cette thèse a pour cadre l'analyse de la polarité des relations dans des réseaux sociaux, par des méthodes d’apprentissage statistique. De nombreux réseaux sur internet contiennent explicitement ou implicitement des relations antagonistes (comme ami/ennemi) qu'il est alors intéressant d'exploiter pour de nombreuses tâches, comme la recommandation de produits ou bien la suggestion de contenus. L’étude de la polarité des relations sociales soulève de nombreux problèmes fondamentaux : les relations positives et négatives entre individus ont des sémantiques différentes et peu de modèles formels permettent l’exploitation de liens signés pour des tâches d’apprentissage.
Dans cette thèse, nous nous intéressons spécifiquement à des liens signés implicites, inférés à partir de jugements utilisateurs sur des items. Nous proposons plusieurs modèles permettant de les exploiter pour des tâches de recommandation et de prédiction de liens. Notre hypothèse principale est que les accords entre les utilisateurs n'ont pas la même sémantique selon le signe des liens. Nous proposons tout d’abord un modèle de filtrage collaboratif pour la recommandation qui exploite la polarité des accords partagés entre voisins. Nous élaborons ensuite des modèles utilisateur permettant d’affiner la caractérisation des relations entre utilisateurs en prenant en compte leur propension à noter de manière positive ou négative. Finalement, nous explorons l’utilisation de la polarité des accords afin de prédire le signe des liens sociaux entre les utilisateurs.