Detección automática de Comunidades en redes sociales online OSN usando contenido textual e interacciones en la red tweeter
DOI:
https://doi.org/10.15765/wpmis.v3i2.1160Palabras clave:
Redes sociales, Deteccion comunidades, InteraccionesResumen
Las redes sociales online cada vez ejercen más influencia en nuestra vida diaria y en general en la sociedad; están cambiando nuestra forma de actuar y hasta de pensar , han permeado la mayoría por no decir todos los sectores de la sociedad ; además de que ya se establecen propiedades como la similaridad, la centralidad , el grado de un nodo o individuo, a través del análisis de las interacciones entre los miembros de la red se puede detectar comunidades, ; hay herramientas para analizar estas interacciones y establecer comportamientos, información que se puede utilizar con fines comerciales, para mejorar el comercio o la prestación de servicios, para fines académicos ayudando a resolver problematicas, para fines sociales como corregir conductas. Desde antes del año 2000 se viene estudiando la detección de comunidades tanto para redes estáticas, las que no cambian con el paso del tiempo, como en redes dinámicas que cambian en el tiempo, evolucionan tanto en nodos como en enlaces. Muchos de los algoritmos construidos detectan comunidades basados en la estructura del grafo, entendiendo el grafo como una estructura conformada por nodos ( individuos miembros ) y enlaces o arcos; también algoritmos que utilizan las interacciones de los individuos; el objetivo de este proyecto es detectar comunidades usando este contenido textual y las interacciones en una red social como Twitter.
Descargas
Referencias
G. Palla, I. Derényi, Farkas, I. Farkas, T. Vicsek, Uncovering the overlapping community structure of complex networks in nature and society. Nature, 435, No. 7043, 814–818. 2005.
Rossetti, G., Pappalardo, L., Pedreschi, D., Giannotti, F. Tiles: an online algorithm for community discovery in dynamic social networks. Machine Learning. 2016
Online Analysis of Community Evolution in Data Streams. Charu Aggarwal, Philip S. Yu IBM T.J. Watson Research Center. Proceedings of the 2005 SIAM International Conference on Data Mining.
Social Network Data Analytics. Charu C. Aggarwal Editor. Springer .New York -. 2011
Haizheng Zhang, Baojun Qiut, C. Lee Giles, Henry C. Foley and John Yen. An LDA-based Community Structure Discovery Approach for Large-Scale Social Networks, SSN-LDA. 2007.
Wouter de Nooy, Andrej Mrvar, Vladimir Batagelj. Exploratory Social Network Analysis with Pajek. Structural Analysis in the Social Sciences. Cambridge.Second edition, 2011.
D. Zhou, E. Manavoglu, J. Li, C.L. Giles, and H. Zha. Probabilistic models for discovering e-communities. In WWW ’06: Proceedings of the 15th international conference onWorldWideWeb, page 182. ACM, 2006.
Nishith Pathak, Colin DeLong, Arindam Banerjee. Social Topic Models for Community Extraction. The 2nd SNA-KDD Workshop, August 24, 2008, Las Vegas, Nevada, USA. ACM 978-1-59593-848-0.
R-A. Negoescu,B, Adams, D. Phung,S.Venkatesh, D.Gatica-Perez. Flickr HyperGroups. ACM. Beijing , China. 2009.ACM 978-1-60558-608-3/09/10.
Publicado
Número
Sección
Licencia
Working Papers by Institución Universitaria Politécnico Grancolombiano is licensed under a Creative Commons Reconocimiento-NoComercial-SinObraDerivada 3.0 Unported License.
Creado a partir de la obra en http://www.poligran.edu.co/wpmis
