Análisis de Ventanas de Tiempo en Sistemas de Detección de Tendencias

Autores/as

Palabras clave:

metaheurísticas, sistemas de detección de tendencias, Twitter, ventanas de tiempo

Resumen

Los servicios de microbloggingson potenciales fuentes de datos actualizados. Su uso constante los ha convertido en un campo de acción idóneo para detectar tendencias. La mayor parte de los esfuerzos empleados en desarrollar Sistemas de Detección de Tendencias (SDT) apuntan a la definición de los modelos. Sin embargo, han obviado el análisis de elementos tan importantes como las ventanas de tiempo, las cuales, mal configuradas, pueden ocasionar un erróneo funcionamiento del sistema. En esta investigación se analiza la influencia del uso de ventanas de tiempo estáticas en SDT. Se definen, además, dos metodologías para generar configuraciones de ventanas. Una de ellas, determina el tamaño de ventana óptimo para ventanas de tiempo estáticas. Mientras que la otra, modelada como un problema de optimización, construye configuraciones de ventanas capaces de adaptarse al flujo de los datos. Una vez experimentadas, ambas son comparadas mediante un proceso de evaluación de SDT propuesto en el documento. En la comparación, también son tenidos en cuenta elementos como la estructura de las ventanas, la convergencia de la optimización y las evaluaciones alcanzadas. Como resultado, se refleja la superioridad de las ventanas no estáticas respecto a las estáticas y queda enfatizado el papel determinante que juegan las ventanas de tiempo en los SDT.

Citas

Abdelhaq, H., Sengstock, C. & Gertz, M. (2013). Eventweet: Online localized event detection from twitter. Proceedings of the VLDB Endowment, vol. 6, no. 12, pp. 1326–1329.

Allan, J. (2002). Introduction to topic detection and tracking. Topic detection and tracking, pp. 1–16.

Allan, J., Carbonell, J.G., Doddington, G., Yamron, J. & Yang, Y. (1998). Topic detection and tracking pilot study final report. Carnegie Mellon University.

Atefeh, F., & Khreich, W. (2015). A survey of techniques for event detection in twitter. Computational Intelligence, 31(1), 132-164.

Bollen, J., Mao, H. & Pepe, A. (2011). Modeling public mood and emotion: Twitter sentiment and socio-economic phenomena. Icwsm, vol. 11, pp. 450–453.

Figueira, Á., Guimarães, N. & Torgo, L. (2018). Current State of the Art to Detect Fake News in Social Media: Global Trendings and Next Challenges. In WEBIST, pp. 332-339.

Fiscus, J. G. & Doddington, G. R. (2002). Topic detection and tracking evaluation overview. In J. G. Fiscus, & G. R. Doddington, Topic detection and tracking. Springer, pp. 17-31.

Guzmán, J. & Poblete, B. (2013). On-line Relevant Anomaly Detection in the Twitter Stream: An Efficient Bursty Keyword Detection Model. En: event-place: Chicago, Illinois, Proceedings of the ACM SIGKDD Workshop on Outlier Detection and Description [en línea]. New York, NY, USA: ACM, pp. 31–39. ISBN 978-1-4503-2335-2. DOI 10.1145/2500853.2500860. Disponible en: http://doi.acm.org/10.1145/2500853.2500860.

Hasan, M., Orgun, M. A. & Schwitter, R. (2018). A survey on real-time event detection from the twitter data stream. Journal of Information Science, 44(4), pp. 443-463.

Hendrickson, S., Kolb, J., Lehman, B. y Montague, J. (2015). Trend detection in social data. Twitter Blog.

Laguna, J.O., Olaya, A.G. & Borrajo, D. (2011). A dynamic sliding window approach for activity recognition. International Conference on User Modeling, Adaptation, and Personalization. S.l.: Springer, pp. 219–230.

Lau, J.H., Collier, N. & Baldwin, T. (2012). On-line Trend Analysis with Topic Models:$backslash$# twitter Trends Detection Topic Model Online. COLING. S.l.: s.n., pp. 1519–1534.

Lee, R., & Sumiya, K. (2010). Measuring Geographical Regularities of Crowd Behaviors for Twitter-based Geo-social Event Detection. In Proceedings of the 2Nd ACM SIGSPATIAL International Workshop on Location Based Social Networks. New York, NY, USA: ACM, pp. 1-10.

Linares, R.C., Morffis, A.P. & Cruz, Y.A. (2018). Distribución de Ventanas en Sistemas de Detección de Tendencias: Análisis y Propuesta para un Modelo de Configuraciones. Licenciatura. S.l.: Universidad de La Habana.

Mathioudakis, M. & Koudas, N. (2010). Twitter Monitor: Trend Detection over the Twitter Stream. En: event-place: Indianapolis, Indiana, USA, Proceedings of the 2010 ACM SIGMOD International Conference on Management of Data [en línea]. New York, NY, USA: ACM, pp. 1155–1158. ISBN 978-1-4503-0032-2. DOI 10.1145/1807167.1807306. Disponible en: http://doi.acm.org/10.1145/1807167.1807306.

Mederos, O., Hernández, A. & Almeida-Cruz, Y. (2013). Detección de tópicos en Twitter. Tesis de Licenciatura, Facultad de Matemática y Computación, Universidad de La Habana.

Montes, M., Gelbukh, A. & López, A.L. (2001). Mining the news: trends, associations, and deviations. Computación y Sistemas, vol. 5, no. 1, pp. 14–24.

Osborne, M., Petrovic, S., McCreadie, R., Macdonald, C. & Ounis, I. (2012). Bieber no more: First story detection using Twitter and Wikipedia. In SIGIR 2012 Workshop on Time-aware Information Access.

Ozdikis, O., Senkul, P., & Oguztuzun, H. (2012). Semantic expansion of tweet contents for enhanced event detection in twitter. In 2012 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (pp. 20-24). IEEE.

Sankaranarayanan, J., Samet, H., Teitler, B.E., Lieberman, M.D. & Sperling, J. (2009). Twitterstand: news in tweets. Proceedings of the 17th acm sigspatial international conference on advances in geographic information systems. S.l.: ACM, pp. 42–51.

Talbi, E.-G., 2009. Metaheuristics. From Desing to Implementation. New Jersey: Wiley. John Wiley & Sons, Inc., Publication.

Tejeda, R.G. & Cruz, Y.A. (2016). Detección de tendencias en Twitter. Licenciatura. S.l.: Universidad de La Habana.

Twitter Usage Statistics. Internet Live Stats [en línea], (2019). [Consulta: 10 diciembre 2019]. Disponible en: https://www.internetlivestats.com/twitter-statistics/#source.

Weiler, A., Grossniklaus, M., & Scholl, M. H. (2015). Evaluation measures for event detection techniques on twitter data streams. In British International Conference on Databases. Springer, Cham, pp. 108-119.

Wolfe, L. (2019). Twitter User Statistics for 2019. The Balance Careers [en línea]. [Consulta: 10 diciembre 2019]. Disponible en: https://www.thebalancecareers.com/twitter-statistics-2008-2009-2010-2011-3515899

Xun Wang, J.J., Feida Zhu & LI, S. (2011). Real Time Event Detection in Twitter. Springer-Verlag, vol. 21.

Zubiaga, A., Spina, D., Martinez, R., & Fresno, V. (2014). Real-time classification of twitter trends. Journal of the Association for Information Science and Technology, vol. 66, no. 3, pp. 462–473.

Descargas

Publicado

2020-04-24

Cómo citar

Cruz-Linares, R., Piad-Morffis, A., & Almeida-Cruz, Y. (2020). Análisis de Ventanas de Tiempo en Sistemas de Detección de Tendencias. Revista Cubana De Transformación Digital, 1(1), 132-148. Recuperado a partir de https://rctd.uic.cu/rctd/article/view/38

Número

Sección

Artículos originales - Tecnologías Inteligencia Artificial