Dinâmica de Temas Abordados no Twitter Via Evolução de Clusters
Resumo
Ao monitorar e analisar a evolução de assuntos da rede social ao longo do tempo é de fundamental importância para usuários ou organizações responsáveis por tomadas de decisão. Este trabalho foca na investigação das transições de assuntos em redes sociais ao longo do tempo, objetivando alcançar uma visão panorâmica e compreender as motivações de tais evoluções. Para isso, este trabalho propõe monitorar e analisar postagens em janelas de tempo por meio da evolução de clusters. Os experimentos foram realizados utilizando dados obtidos do Twitter e demonstram que a solução proposta é promissora para acompanhar os padrões de evolução de assuntos ao longo do tempo.
Palavras-chave:
Análise de postagens, Evolução de assuntos, Evolução de Clusters
Referências
Ester, Martin et al. A density-based algorithm for discovering clusters in large spatial databases with noise. In: Kdd. 1996. p. 226-231.
Jain, Anil K.; Murty, M. Narasimha; Flynn, Patrick J. Data clustering: a review. ACM computing surveys (CSUR), v.31, n. 3, p. 264-323, 1999.
Kaur, S. et al. Concept drift in unlabeled data stream. Technical Report, University of Delhi, 2009
Kim, Min-Soo; Han, Jiawei. A particle-and-density based evolutionary clustering method for dynamic networks. Proceedings of the VLDB Endowment, v. 2, n. 1, p. 622-633, 2009.
Lee, Pei et al. Incremental cluster evolution tracking from highly dynamic network data.In: Data Engineering (ICDE). IEEE, 2014. p. 3-14.
Coelho da Silva, Ticiana L., José AF de Macêdo, and Marco A. Casanova. "Discovering frequent mobility patterns on moving object data. "Proceedings of the Third ACM SIGSPATIAL International Workshop on Mobile Geographic Information Systems. ACM, 2014.
Spiliopoulou, Myra et al. Monic: modeling and monitoring cluster transitions. In: Proceedingsof the 12th ACM SIGKDD. ACM, 2006. p. 706-711.
Tang, Lu-An et al. A framework of traveling companion discovery on trajectory data streams. ACM Transactions on Intelligent Systems and Technology (TIST), v. 5, n. 1, p. 3, 2013.
Jain, Anil K.; Murty, M. Narasimha; Flynn, Patrick J. Data clustering: a review. ACM computing surveys (CSUR), v.31, n. 3, p. 264-323, 1999.
Kaur, S. et al. Concept drift in unlabeled data stream. Technical Report, University of Delhi, 2009
Kim, Min-Soo; Han, Jiawei. A particle-and-density based evolutionary clustering method for dynamic networks. Proceedings of the VLDB Endowment, v. 2, n. 1, p. 622-633, 2009.
Lee, Pei et al. Incremental cluster evolution tracking from highly dynamic network data.In: Data Engineering (ICDE). IEEE, 2014. p. 3-14.
Coelho da Silva, Ticiana L., José AF de Macêdo, and Marco A. Casanova. "Discovering frequent mobility patterns on moving object data. "Proceedings of the Third ACM SIGSPATIAL International Workshop on Mobile Geographic Information Systems. ACM, 2014.
Spiliopoulou, Myra et al. Monic: modeling and monitoring cluster transitions. In: Proceedingsof the 12th ACM SIGKDD. ACM, 2006. p. 706-711.
Tang, Lu-An et al. A framework of traveling companion discovery on trajectory data streams. ACM Transactions on Intelligent Systems and Technology (TIST), v. 5, n. 1, p. 3, 2013.
Publicado
04/10/2016
Como Citar
RODRIGUES, Priscila R. F.; DA SILVA, Ticiana Coelho; SOUSA, Flávio R. C.; MAGALHÃES, Regis P.; MACÊDO, Jose A. F. de.
Dinâmica de Temas Abordados no Twitter Via Evolução de Clusters. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 31. , 2016, Salvador/BA.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2016
.
p. 151-156.
ISSN 2763-8979.
DOI: https://doi.org/10.5753/sbbd.2016.24320.
