BEIRA: A Geo-semantic Clustering Method for Area Summary

Masutani, Osamu; Iwasaki, Hiromichi

doi:10.1007/978-3-540-76993-4_10

Cited by 3 publications

(1 citation statement)

References 14 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…To address the high dimensionality of the vectors and improve performance, we apply the LSI (Latent Semantic Indexing) dimensionality reduction algorithm [Deerwester et al, 1990]. Having initially calculated the pair-wise photo geographic distance (taken as their spherical distance based on the Haversine formula) and their mapping onto a number of the most significant semantic dimensions (LSI results), photos are clustered via an algorithm that combines both the geographic and semantic types of similarity [Masutani and Iwasaki, 2007]. For each cluster, the platform generates and stores a model containing: a list of information about the photos assigned to the cluster (their numeric identifiers, URLs, geolocation), a summarized description containing terms and their estimated "significance" for the cluster (based on their frequency), and a cluster popularity score (for ranking purposes) in terms of the number of photos which belong to them and the number of unique users-photographers.…”

Section: Backend Processes and Functionalitymentioning

confidence: 99%

Knowledge discovery from evolving social media data

Γιάτσογλου¹

View full text Add to dashboard Cite

Η παρούσα διατριβή αντιμετωπίζει το πρόβλημα της διαχείρισης και της εξόρυξης γνώσης από δεδομένα του Παγκόσμιου Ιστού, με έμφαση σε χρονικά επισημειωμένα δεδομένα που παράγονται σε κοινωνικά δίκτυα (social media). Τα κοινωνικά μέσα αντιμετωπίζονται ως πηγές δεδομένων σχετικά με τις διαφορετικού τύπου ενέργειες οι οποίες πραγματοποιούνται από ένα σύνολο χρηστών σε συγκεκριμένες χρονικές στιγμές. Οι ενέργειες αυτές ποικίλλουν ανάλογα με το εκάστοτε κοινωνικό δίκτυο, περιλαμβάνοντας ενδεικτικά: τη δημοσίευση περιεχομένου (κειμένου / φωτογραφιών / βίντεο), το σχολιασμό δημοσιεύσεων τρίτων, την ανταλλαγή μηνυμάτων μεταξύ χρηστών, την ανάθεση μετα-δεδομένων σε περιεχόμενο (π.χ. επισημειώσεις, όπως ετικέτες -tags-), ενώ συχνά συνοδεύονται και από τη δήλωση της γεωγραφικής θέσης του χρήστη ή του περιεχομένου. Συνεπώς, η δραστηριότητα των χρηστών στα κοινωνικά δίκτυα συχνά εμπεριέχει ποικίλες αλληλεπιδράσεις με άλλους χρήστες ή / και συσχετίσεις μεταξύ διαφορετικού τύπου οντότητων (π.χ. δημοσιεύσεις περιεχομένου). Το γενικότερο πρόβλημα που μελετήθηκε στην παρούσα διατριβή έγκειται στην ανακάλυψη αποτελεσματικών μεθόδων για την αξιοποίηση των δεδομένων που παράγονται μέσω των κοινωνικών δικτύων (αλληλεπιδράσεις, περιεχόμενο), δίνοντας έμφαση στη χρονική και στη γεωγραφική επισημείωση τους, για την ανακάλυψη μη προφανών προτύπων συμπεριφοράς, καθώς και κοινοτήτων (ομάδων) χρηστών ή άλλων οντοτήτων. Για το σκοπό αυτό προτάθηκαν μεθοδολογίες για τη μοντελοποίηση αλληλεπιδράσεων και ενεργειών χρηστών κοινωνικών δικτύων και την εξόρυξη γνώσης από γράφους (graph mining), την ανάλυση κειμένου (text processing), καθώς και την αναγνώριση μη τυπικών συμπεριφορών (anomaly detection). Το παραπάνω γενικό πρόβλημα μελετήθηκε σε τρεις βασικούς άξονες: (Α) την ανάλυση εξελισσόμενων γράφων από δεδομένα κοινωνικών δικτύων για την ανακάλυψη κοινοτήτων, (Β) την ανακάλυψη μη τυπικών συμπεριφορών αλληλεπίδρασης, και (Γ) την ανάλυση διαμοιρασμένου περιεχομένου για την παροχή υπηρεσιών (με έμφαση σε υπηρεσίες στα πλαίσια έξυπνων πόλεων). Η εξόρυξη γνώσης από εξελισσόμενα δεδομένα μεγάλης κλίμακας είναι το κοινό στοιχείο των παραπάνω επιμέρους προβλημάτων, καθώς και η αξιοποίηση της δυναμικής αυτών των δεδομένων για την ανακάλυψη όψεων της σημερινής κοινωνίας, όπως αυτή αντικατοπτρίζεται μέσα από τις δραστηριότητες και τις απόψεις των χρηστών στα κοινωνικά δίκτυα.

show abstract

Section: Backend Processes and Functionalitymentioning

confidence: 99%