Análise Comparativa de Canais do YouTube utilizando Redes Complexas
Resumo
Como comparar dois canais do YouTube? Determinar usuários semelhantes numa rede social é uma tarefa cada vez mais importante, pois permite a personalização da oferta e consumo de conteúdos, com aplicação nas áreas de marketing e inteligência de negócio, por exemplo. A maioria dos métodos existentes na literatura para identificar similaridade entre usuários baseia-se apenas no conteúdo publicado e consumido. Este trabalho propõe um método que utiliza redes complexas para comparar canais do YouTube, implementado em uma ferramenta automatizada. Os resultados obtidos mostram que é possível identificar similaridade com base na capacidade de influência e na interligação entre canais.
Palavras-chave:
análise de redes complexas, redes sociais online, detecção de perfil do usuário
Referências
Balakrishnan, J. and Griffiths, M. D. (2017). Social media addiction: What is the role of content in youtube? Journal of behavioral addictions, 6(3):364–377.
Barabasi, A.-L. and Posfai, M. (2016). Network science. Cambridge University Press, Cambridge.
Bastian, M., Heymann, S., and Jacomy, M. (2009). Gephi: An open source software for exploring and manipulating networks.
Chitra, U. and Musco, C. (2020). Analyzing the impact of filter bubbles on social network polarization. In Proceedings of the 13th International Conference on Web Search and Data Mining, WSDM ’20, page 115–123, New York, NY, USA. Association for Computing Machinery.
Covington, P., Adams, J., and Sargin, E. (2016). Deep neural networks for youtube recommendations. In Proceedings of the 10th ACM Conference on Recommender Systems, RecSys ’16, page 191–198. Association for Computing Machinery.
Li, W. and Yang, J.-Y. (2009). Comparing networks from a data analysis perspective. In Zhou, J., editor, Complex Sciences, pages 1907–1916, Berlin, Heidelberg. Springer Berlin Heidelberg.
Lopes, K. V. R. (2022). Recuperação da informação em vídeos do youtube. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) Universidade Federal de Uberlândia.
Mislove, A., Marcon, M., Gummadi, K. P., Druschel, P., and Bhattacharjee, B. (2007). Measurement and analysis of online social networks. IMC ’07, page 29–42, New York, NY, USA. Association for Computing Machinery.
Tantardini, M., Ieva, F., Tajoli, L., and Piccardi, C. (2019). Comparing methods for comparing networks. Scientific Reports, 9.
Teixeira, Marcela C.; REIS, J. C. S. (2023). Análise do discurso de Ódio em comentários de vídeos no youtube: Um estudo de caso da cpi da covid-19 no brasil. In SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), page 330–335. Sociedade Brasileira de Computação.
Vasconcelos, M., Pereira, E., Guimarães, S., Ribeiro, M. H., Melo, P., and Benevenuto, F. (2020). Analyzing youtube videos shared on whatsapp in the early covid-19 crisis. WebMedia ’20, page 25–28, New York, NY, USA. Association for Computing Machinery.
Wang, X., Wu, P., Wang, F., and Wu, T. (2020). Collaborative filtering via social learning. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 50(4):1234–1247.
Barabasi, A.-L. and Posfai, M. (2016). Network science. Cambridge University Press, Cambridge.
Bastian, M., Heymann, S., and Jacomy, M. (2009). Gephi: An open source software for exploring and manipulating networks.
Chitra, U. and Musco, C. (2020). Analyzing the impact of filter bubbles on social network polarization. In Proceedings of the 13th International Conference on Web Search and Data Mining, WSDM ’20, page 115–123, New York, NY, USA. Association for Computing Machinery.
Covington, P., Adams, J., and Sargin, E. (2016). Deep neural networks for youtube recommendations. In Proceedings of the 10th ACM Conference on Recommender Systems, RecSys ’16, page 191–198. Association for Computing Machinery.
Li, W. and Yang, J.-Y. (2009). Comparing networks from a data analysis perspective. In Zhou, J., editor, Complex Sciences, pages 1907–1916, Berlin, Heidelberg. Springer Berlin Heidelberg.
Lopes, K. V. R. (2022). Recuperação da informação em vídeos do youtube. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) Universidade Federal de Uberlândia.
Mislove, A., Marcon, M., Gummadi, K. P., Druschel, P., and Bhattacharjee, B. (2007). Measurement and analysis of online social networks. IMC ’07, page 29–42, New York, NY, USA. Association for Computing Machinery.
Tantardini, M., Ieva, F., Tajoli, L., and Piccardi, C. (2019). Comparing methods for comparing networks. Scientific Reports, 9.
Teixeira, Marcela C.; REIS, J. C. S. (2023). Análise do discurso de Ódio em comentários de vídeos no youtube: Um estudo de caso da cpi da covid-19 no brasil. In SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), page 330–335. Sociedade Brasileira de Computação.
Vasconcelos, M., Pereira, E., Guimarães, S., Ribeiro, M. H., Melo, P., and Benevenuto, F. (2020). Analyzing youtube videos shared on whatsapp in the early covid-19 crisis. WebMedia ’20, page 25–28, New York, NY, USA. Association for Computing Machinery.
Wang, X., Wu, P., Wang, F., and Wu, T. (2020). Collaborative filtering via social learning. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 50(4):1234–1247.
Publicado
14/10/2024
Como Citar
SANTOS, Phelipe Rodovalho dos; PEREIRA, Fabíola S. F..
Análise Comparativa de Canais do YouTube utilizando Redes Complexas. In: WORKSHOP DE TRABALHOS DE ALUNOS DA GRADUAÇÃO (WTAG) - SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 39. , 2024, Florianópolis/SC.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 22-28.
DOI: https://doi.org/10.5753/sbbd_estendido.2024.243711.
