Uso de mineração de textos para a identificação de postagens com informações de localização
Resumo
As informações contidas nas redes sociais são cada vez mais úteis para diferentes tarefas. É possível, por exemplo, identificar de maneira bastante rápida indícios de uma epidemia, tendências de voto para uma eleição, ou a satisfação de usuários em relação a serviços ou produtos. Diversas tarefas de mineração de textos em redes sociais conseguem tirar vantagem de informações geográficas sobre a localização do usuário. Porém, a grande maioria das postagens em redes sociais não possui uma referência explícita à sua geolocalização. O objetivo deste trabalho é comparar a eficácia de algumas técnicas de mineração de textos para identificar se uma postagem contém ou não informações sobre uma localidade.
Referências
Aggarwal, C. C. and Zhai, C. (2012). Mining text data. Springer Science & Business Media.
Berry, M. W. and Castellanos, M. (2004). Survey of text mining. Computing Reviews, 45(9):548.
Feldman, R. and Sanger, J. (2007). The text mining handbook: advanced approaches in analyzing unstructured data. Cambridge university press.
Hall, M. A. (2000). Correlation-based feature selection for discrete and numeric class machine learning. In Proceedings of the Seventeenth International Conference on Machine Learning, ICML ’00, pages 359–366, San Francisco, CA, USA. Morgan Kaufmann Publishers Inc.
John, G. H. and Langley, P. (1995). Estimating continuous distributions in bayesian classifiers. In Proceedings of the 11th Conference on Uncertainty in Artificial Intelligence, pages 338–345.
Jones, K. S. (1972). A statistical interpretation of term specificity and its application in retrieval. Journal of Documentation, 28(1):11–21.
Manning, C. D., Raghavan, P., and Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press, New York, NY, USA.
Rodriguez, J. J., Kuncheva, L. I., and Alonso, C. J. (2006). Rotation forest: A new classifier ensemble method. IEEE Trans. Pattern Anal. Mach. Intell., 28(10):1619–1630.
Berry, M. W. and Castellanos, M. (2004). Survey of text mining. Computing Reviews, 45(9):548.
Feldman, R. and Sanger, J. (2007). The text mining handbook: advanced approaches in analyzing unstructured data. Cambridge university press.
Hall, M. A. (2000). Correlation-based feature selection for discrete and numeric class machine learning. In Proceedings of the Seventeenth International Conference on Machine Learning, ICML ’00, pages 359–366, San Francisco, CA, USA. Morgan Kaufmann Publishers Inc.
John, G. H. and Langley, P. (1995). Estimating continuous distributions in bayesian classifiers. In Proceedings of the 11th Conference on Uncertainty in Artificial Intelligence, pages 338–345.
Jones, K. S. (1972). A statistical interpretation of term specificity and its application in retrieval. Journal of Documentation, 28(1):11–21.
Manning, C. D., Raghavan, P., and Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press, New York, NY, USA.
Rodriguez, J. J., Kuncheva, L. I., and Alonso, C. J. (2006). Rotation forest: A new classifier ensemble method. IEEE Trans. Pattern Anal. Mach. Intell., 28(10):1619–1630.
Publicado
26/07/2018
Como Citar
MOREIRA, Silas F.; BAKLIZKY, Maruscia; DIGIAMPIETRI, Luciano A..
Uso de mineração de textos para a identificação de postagens com informações de localização. In: BRAZILIAN WORKSHOP ON SOCIAL NETWORK ANALYSIS AND MINING (BRASNAM), 7. , 2018, Natal.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2018
.
p. 253-258.
ISSN 2595-6094.
DOI: https://doi.org/10.5753/brasnam.2018.3600.
