Um Método de Agrupamento Incremental para a Detecção de Eventos em Redes Sociais

• Alice A. F. Menezes UFAM
• Carlos M. S. Figueiredo UEA/Samsung Ocean

DOI: https://doi.org/10.5753/sbsc.2017.9948

Resumo

Estudar as informações úteis que são fornecidas pelos usuários de redes sociais é o objetivo do Sensoriamento Social. Diversos trabalhos na literatura apresentam estudos com aplicações de detecção de desastres naturais, monitoramento do trânsito ou análise da dinâmica das cidades. Estes estudos normalmente aplicam técnicas de mineração de dados e aprendizagem de máquina para a análise de dados previamente coletados, o que não é adequado devido à natureza em tempo real das postagens em redes sociais. Neste artigo, apresentamos um método para a detecção de eventos que utiliza agrupamento incremental, o que se revela mais eficiente em termos de tempo de processamento do que a abordagem tradicional. Como estudo de caso, detectamos e analisamos dados de acidentes de trânsito da cidade de Nova Iorque, que são eventos que ocorrem diariamente.

Referências

Albuquerque, F. C., Casanova, M. A., Lopes, H., Redlich, L. R., de Macedo, J. A. F., Lemos, M., de Carvalho, M. T. M., and Renso, C. (2015). A methodology for trafficrelated twitter messages interpretation. Computers in Industry.

Atefeh, F. and Khreich, W. (2015). A survey of techniques for event detection in twitter. Comput. Intell., 31(1):132–164.

Becker, H., Naaman, M., and Gravano, L. (2011). Beyond trending topics: Real-world event identification on twitter. In International Conference on Weblogs and Social Media. AAAI.

Ester, M., Kriegel, H.-P., Sander, J., and Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In Kdd, volume 96, pages 226–231.

Li, R., Lei, K. H., Khadiwala, R., and Chang, K. C.-C. (2012). Tedas: A twitter-based event detection and analysis system. In International Conference on Data Engineering (ICDE), pages 1273–1276. IEEE.

Nguyen, H., Liu, W., Rivera, P., and Chen, F. (2016). Trafficwatch: Real-time traffic incident detection and monitoring using social media. In Pacific-Asia Conference on Knowledge Discovery and Data Mining, pages 540–551. Springer.

Phuvipadawat, S. and Murata, T. (2010). Breaking news detection and tracking in twitter. In International Conference onWeb Intelligence and Intelligent Agent Technology (WIIAT), volume 3, pages 120–123. IEEE.

Sakaki, T., Okazaki, M., and Matsuo, Y. (2010). Earthquake shakes twitter users: realtime event detection by social sensors. In Proceedings of the 19th international conference on World wide web, pages 851–860. ACM.

Sankaranarayanan, J., Samet, H., Teitler, B. E., Lieberman, M. D., and Sperling, J. (2009).

Twitterstand: news in tweets. In Proceedings of the 17th acm sigspatial international conference on advances in geographic information systems, pages 42–51. ACM.

Silva, T. H., Vaz de Melo, P. O., Almeida, J. M., Salles, J., and Loureiro, A. A. (2014). Revealing the city that we cannot see. ACM Transactions on Internet Technology (TOIT), 14(4):26.

Toriumi, F. and Baba, S. (2016). Real-time tweet classification in disaster situation. In Proceedings of the 25th International Conference Companion on World Wide Web, pages 117–118. International World Wide Web Conferences Steering Committee.

Valkanas, G. and Gunopulos, D. (2013). How the live web feels about events. In Proceedings of the 22nd ACM International Conference on Information & Knowledge Management, pages 639–648. ACM.

Zhang, T., Ramakrishnan, R., and Livny, M. (1996). Birch: an efficient data clustering method for very large databases. In ACM Sigmod Record, volume 25, pages 103–114. ACM.