Προηγμένες τεχνικές και αλγόριθμοι για συλλογή, ανάλυση και οπτικοποίηση χωροχρονικών δεδομένων από κοινωνικά δίκτυα

Περίληψη

Κατά τη διάρκεια της τελευταίας δεκαετίας, τα διαδικτυακά κοινωνικά δίκτυα εξελίχθηκαν και πλέον αποτελούν ένα αναπόσπαστο κομμάτι της καθημερινότητάς μας, παράγοντας παράλληλα, ένα τεράστιο όγκο δεδομένων που δημοσιεύεται εθελοντικά από τους ίδιους τους χρήστες. Το περιεχόμενο αυτό περιλαμβάνει τις δραστηριότητες, σκέψεις, και ιδέες των χρηστών του, και αποτελεί μια πολύ χρήσιμη πηγή δεδομένων.Εκτός από την πρόθεση των ίδιων των κοινωνικών δικτύων, και το κίνητρο που ωθεί τους χρήστες να δημοσιεύουν εθελοντικά περιεχόμενο, οι πληροφορίες που μπορούν να ανακτηθούν από εκτεταμένη ανάλυση και εξόρυξη αυτών των δεδομένων, δύναται να χρησιμοποιηθούν και για άλλες εφαρμογές, όπως για τον εμπλουτισμό συλλογών σημείων ενδιαφέροντος, για ειδοποιήσεις συμβάντων όπως αυτά εξελίσσονται, καθώς και παροχή πολύτιμης και άμεσης ανταπόκρισης για διάφορα γεγονότα.Στη διατριβή αυτή εξερευνούμε τις προοπτικές που έχουν αυτές οι συλλογές δεδομένων να χρησιμοποιηθούν για τους προαναφερόμενους σκοπούς. Για ...
περισσότερα

Περίληψη σε άλλη γλώσσα

During the past decade, the social media evolution has grown to become an essential part of our lives, producing an incredible amount of user-generated and voluntarily contributed content, about people's everyday activities, thoughts and interests.Besides the intent of the users and the platforms, we believe that the information residing within these streaming datasets can be useful in other contexts as well, such as enriching collections and gazetteers, providing real-time notifications and alerts, identifying trends and providing academia and industry with valuable on-the-ground knowledge.To this end, this thesis focuses on exploring the potentials of these datasets by designing and implementing advanced algorithms and data structures to extract, analyze and visualize data and information from the social media traffic. Throughout this dissertation we describe several cases of using social media data to solve different problems, or enhance existing solutions.The cases studied include: ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/39003
ND
39003
Εναλλακτικός τίτλος
Advanced techniques and algorithms to collect, analyze and visualize spatiotemporal data from social media feeds
Συγγραφέας
Λαμπριανίδης, Γεώργιος του Λάζαρος
Ημερομηνία
2016
Ίδρυμα
Εθνικό Μετσόβιο Πολυτεχνείο (ΕΜΠ). Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Συστημάτων Βάσεων Γνώσεων και Δεδομένων
Εξεταστική επιτροπή
Βασιλείου Ιωάννης
Σελλής Τιμολέων
Pfoser Dieter
Σταφυλοπάτης Ανδρέας-Γεώργιος
Κοντογιάννης Κωνσταντίνος
Σταύρακας Ιωάννης
Κάβουρας Μαρίνος
Επιστημονικό πεδίο
Φυσικές Επιστήμες
Επιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική
Επιστήμες Μηχανικού και Τεχνολογία
Επιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ
Λέξεις-κλειδιά
Ενοποίηση σημείων ενδιαφέροντος; Πλατφόρμες κοινωνικής δικτύωσης; Αυτόματες περιλήψεις; Αναγνώριση και κατηγοριοποίηση συμβάντων
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
xv, 129 σ., εικ., πιν., χαρτ., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)