Descobrindo eventos locais utilizando análise de séries temporais nos dados do Twitter

Detalhes bibliográficos
Autor(a) principal: Santos, Augusto Dias Pereira dos
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

Registros relacionados