Descobrindo eventos locais utilizando análise de séries temporais nos dados do Twitter
Autor(a) principal: | |
---|---|
Data de Publicação: | 2013 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/71953 |
Resumo: | O crescente uso de redes sociais gera quantidades enormes de dados que podem ser empregados em vários tipos de análises. Alguns desses dados têm informação temporal e geográfica, as quais podem ser usadas para posicionar precisamente a informação no tempo e no espaço. Nesse contexto, neste trabalho é proposto um novo método para a análise do volume massivo de mensagens disponível no Twitter, com o objetivo de identificar eventos como programas de TV, mudanças climáticas, desastres e eventos esportivos que estejam ocorrendo em regiões específicas do globo. A abordagem proposta é baseada no uso de uma rede neural para detecção de outliers em séries temporais, as quais são formadas por estatísticas coletadas em tweets localizados em diferentes divisões políticas (i.e., países, cidades). Esses outliers são usados para identificar eventos como um comportamento anormal nos dados Twitter. A efetividade do método é avaliada comparando os eventos identificados com notícias nos meios de comunicação. |
id |
URGS_1ae660786b75f5d2cbab529d7e298bdf |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/71953 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Santos, Augusto Dias Pereira dosWives, Leandro KrugAlvares, Luis Otavio Campos2013-05-25T01:46:34Z2013http://hdl.handle.net/10183/71953000881232O crescente uso de redes sociais gera quantidades enormes de dados que podem ser empregados em vários tipos de análises. Alguns desses dados têm informação temporal e geográfica, as quais podem ser usadas para posicionar precisamente a informação no tempo e no espaço. Nesse contexto, neste trabalho é proposto um novo método para a análise do volume massivo de mensagens disponível no Twitter, com o objetivo de identificar eventos como programas de TV, mudanças climáticas, desastres e eventos esportivos que estejam ocorrendo em regiões específicas do globo. A abordagem proposta é baseada no uso de uma rede neural para detecção de outliers em séries temporais, as quais são formadas por estatísticas coletadas em tweets localizados em diferentes divisões políticas (i.e., países, cidades). Esses outliers são usados para identificar eventos como um comportamento anormal nos dados Twitter. A efetividade do método é avaliada comparando os eventos identificados com notícias nos meios de comunicação.The increasing use of social networks generates enormous amounts of data that can be employed for various types of analysis. Some of these data have temporal and geographical information, which can be used to precisely position information in time and space. In this document, a new method is proposed to analyze the massive volume of messages available in Twitter to identify events such as TV shows, climate change, disasters, and sports that are occurring in specific regions of the globe. The proposed approach is based on a neural network used to detect outliers from a time series, which is built upon statistical data from tweets located in different political divisions (i.e., countries, cities). These outliers are used to identify events as an abnormal behavior in Twitter's data. The effectiveness of the method is evaluated by comparing the events identified on the news media.application/pdfporRecuperacao : InformacaoBanco : DadosSéries temporaisTwitter (Site)MicroblogsSocio-geographic analysisTwitter streamTime seriesNeural networkDescobrindo eventos locais utilizando análise de séries temporais nos dados do TwitterLocation-based event detection on microblogs info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPrograma de Pós-Graduação em ComputaçãoPorto Alegre, BR-RS2013mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT000881232.pdf.txt000881232.pdf.txtExtracted Texttext/plain158168http://www.lume.ufrgs.br/bitstream/10183/71953/2/000881232.pdf.txt3eb2096d9c31fc65d41b47cae4701159MD52ORIGINAL000881232.pdf000881232.pdfTexto completoapplication/pdf2375645http://www.lume.ufrgs.br/bitstream/10183/71953/1/000881232.pdf1cb5d4e06a70cd9e1ea5d0c47e9a1d2aMD51THUMBNAIL000881232.pdf.jpg000881232.pdf.jpgGenerated Thumbnailimage/jpeg1075http://www.lume.ufrgs.br/bitstream/10183/71953/3/000881232.pdf.jpg1e31255cdf47c30b2884845ac9b767e1MD5310183/719532022-02-22 04:44:20.185232oai:www.lume.ufrgs.br:10183/71953Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532022-02-22T07:44:20Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Descobrindo eventos locais utilizando análise de séries temporais nos dados do Twitter |
dc.title.alternative.en.fl_str_mv |
Location-based event detection on microblogs |
title |
Descobrindo eventos locais utilizando análise de séries temporais nos dados do Twitter |
spellingShingle |
Descobrindo eventos locais utilizando análise de séries temporais nos dados do Twitter Santos, Augusto Dias Pereira dos Recuperacao : Informacao Banco : Dados Séries temporais Twitter (Site) Microblogs Socio-geographic analysis Twitter stream Time series Neural network |
title_short |
Descobrindo eventos locais utilizando análise de séries temporais nos dados do Twitter |
title_full |
Descobrindo eventos locais utilizando análise de séries temporais nos dados do Twitter |
title_fullStr |
Descobrindo eventos locais utilizando análise de séries temporais nos dados do Twitter |
title_full_unstemmed |
Descobrindo eventos locais utilizando análise de séries temporais nos dados do Twitter |
title_sort |
Descobrindo eventos locais utilizando análise de séries temporais nos dados do Twitter |
author |
Santos, Augusto Dias Pereira dos |
author_facet |
Santos, Augusto Dias Pereira dos |
author_role |
author |
dc.contributor.author.fl_str_mv |
Santos, Augusto Dias Pereira dos |
dc.contributor.advisor1.fl_str_mv |
Wives, Leandro Krug |
dc.contributor.advisor-co1.fl_str_mv |
Alvares, Luis Otavio Campos |
contributor_str_mv |
Wives, Leandro Krug Alvares, Luis Otavio Campos |
dc.subject.por.fl_str_mv |
Recuperacao : Informacao Banco : Dados Séries temporais Twitter (Site) |
topic |
Recuperacao : Informacao Banco : Dados Séries temporais Twitter (Site) Microblogs Socio-geographic analysis Twitter stream Time series Neural network |
dc.subject.eng.fl_str_mv |
Microblogs Socio-geographic analysis Twitter stream Time series Neural network |
description |
O crescente uso de redes sociais gera quantidades enormes de dados que podem ser empregados em vários tipos de análises. Alguns desses dados têm informação temporal e geográfica, as quais podem ser usadas para posicionar precisamente a informação no tempo e no espaço. Nesse contexto, neste trabalho é proposto um novo método para a análise do volume massivo de mensagens disponível no Twitter, com o objetivo de identificar eventos como programas de TV, mudanças climáticas, desastres e eventos esportivos que estejam ocorrendo em regiões específicas do globo. A abordagem proposta é baseada no uso de uma rede neural para detecção de outliers em séries temporais, as quais são formadas por estatísticas coletadas em tweets localizados em diferentes divisões políticas (i.e., países, cidades). Esses outliers são usados para identificar eventos como um comportamento anormal nos dados Twitter. A efetividade do método é avaliada comparando os eventos identificados com notícias nos meios de comunicação. |
publishDate |
2013 |
dc.date.accessioned.fl_str_mv |
2013-05-25T01:46:34Z |
dc.date.issued.fl_str_mv |
2013 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/71953 |
dc.identifier.nrb.pt_BR.fl_str_mv |
000881232 |
url |
http://hdl.handle.net/10183/71953 |
identifier_str_mv |
000881232 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/71953/2/000881232.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/71953/1/000881232.pdf http://www.lume.ufrgs.br/bitstream/10183/71953/3/000881232.pdf.jpg |
bitstream.checksum.fl_str_mv |
3eb2096d9c31fc65d41b47cae4701159 1cb5d4e06a70cd9e1ea5d0c47e9a1d2a 1e31255cdf47c30b2884845ac9b767e1 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1810085256631418880 |