Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI: | http://purl.tuc.gr/dl/dias/78F16AAE-40B3-49F9-89CC-950F3B0DD51B | ||
| Έτος | 2019 | ||
| Τύπος | Διπλωματική Εργασία | ||
| Άδεια Χρήσης |
|
||
| Βιβλιογραφική Αναφορά | Κωνσταντίνος Χασαπάς, "Ανίχνευση καταστροφικών συμβάντων μέσω παρακολούθησης κοινωνικών δικτύων ", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2019 https://doi.org/10.26233/heallink.tuc.82311 | ||
| Εμφανίζεται στις Συλλογές |
Στις μέρες μας, η χρήση των μέσων κοινωνικής δικτύωσης έχει κερδίσει πολλή δημοτικότητα. Ένας μεγάλος αριθμός μηνυμάτων δημοσιεύονται καθημερινά σε κοινωνικά δίκτυα, όπως το Twitter. Αυτά τα μηνύματα θα μπορούσαν ενδεχομένως να χρησιμοποιηθούν για την παρακολούθηση πραγματικών γεγονότων. Ωστόσο, οι ροές του Twitter περιέχουν μεγάλο αριθμό ανούσιων μηνυμάτων και άχρηστο περιεχόμενο, γεγονός που μπορεί να έχει αρνητικές επιπτώσεις στην απόδοση της παρακολούθησης και της επιτυχούς ανίχνευσης γεγονότων. Η παρακολούθηση και η ανάλυση αυτού του πλούσιου και συνεχούς περιεχομένου που παράγουν οι χρήστες μπορεί να αποδώσει πρωτοφανώς πολύτιμες πληροφορίες, επιτρέποντας σε χρήστες και οργανισμούς να αποκτήσουν γνώσεις που μπορούν να συνδεθούν με δράσεις. Η παρούσα διπλωματική εργασία προτείνει τεχνικές για την ανίχνευση και καταγραφή φυσικών καταστροφών παρακολουθώντας ροές κοινωνικών μέσων δικτύωσης. Ο κύριος στόχος είναι να χρησιμοποιηθεί το Twitter ως αισθητήρας και να διερευνηθούν τα δεδομένα που παρέχει για να ανιχνευθεί και να εντοπιστεί μια επικίνδυνη φυσική καταστροφή. Η ανίχνευση τέτοιων συμβάντων επιχειρείται με την εφαρμογή μεθόδων από την Επεξεργασία Φυσικής Γλώσσας, τη Μηχανική/Βαθιά Μάθηση και έναν καινοτόμο υβριδικό συνδυασμό των καλύτερων προσεγγίσεων μεταξύ των διαφόρων επιλογών που αναλύσαμε (για την αναπαράσταση κειμένων: Bag of Words, Global Vectors - για την ταξινόμηση κειμένων: Naive Bayes, Logistic Regression, Random Forest, Decision Tree, Bagged Decision Tree, AdaBoost, Deep Neural Network, Long-Short Term Memory). Τέλος, η εργασία μας προτείνει μια χωροχρονική διερεύνηση ως μέρος της διαδικασίας διαδοχικής επεξεργασίας στο σύστημα για την αναφορά καταστροφικών γεγονότων που εντοπίζονται. Ως αποτέλεσμα, το προτεινόμενο σύστημα εφαρμόστηκε με επιτυχία σε δεδομένα του Twitter από το 2015 από δύο διαφορετικά γεγονότα καταστροφών του παρελθόντος (σεισμός του Νεπάλ, τυφώνας Patricia) και κατάφερε να ανιχνεύσει τόσο τον τόπο, όσο και τον χρόνο κάθε καταστροφής.
Copyright © DIAS 2013
