<div class="csl-bib-body">
<div class="csl-entry">Schirmer, M. (2020). <i>Detecting local events using multiple social networking services and geographical clustering</i> [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2020.51945</div>
</div>
-
dc.identifier.uri
https://doi.org/10.34726/hss.2020.51945
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/1063
-
dc.description.abstract
Tag für Tag werden wir alle Zeugen unzähliger Ereignisse, die unseren Alltag prägen. Durch die steigende Beliebtheit von digitalen, sozialen Netzwerken wurde es dabei so einfach wie nie zuvor, ebenjene Erlebnisse öffentlich mit der Welt zu teilen. In dieser Diplomarbeit wird untersucht, ob und wie derartige soziale Netzwerke als eine Art “verteilte Nachrichtenagentur” verstanden werden können. Dafür werden unterschiedliche soziale Netzwerke kombiniert und analysiert, wodurch sowohl von ihrer Vielfalt, als auch von ihren jeweiligen Eigenheiten profitiert werden kann. Um die geographische Genauigkeit der erkannten Ereignisse zu gewährleisten, muss der lokale Kontext mitunter aus dem Inhalt der Nachricht selbst extrahiert werden. Im Zuge dieser Arbeit wurde ein funktionsfähiger Prototyp entwickelt, der die theoretischen Überlegungen auch praktisch implementiert und validiert. Durch die Nutzung von geographischem Clustering in Kombination mit unterschiedlichen Ansätzen aus dem Bereich des maschinellen Lernens gelingt es dadurch, auch lokal stark begrenzte Ereignisse mitunter kurz nach deren Erwähnung in sozialen Netzwerken zu erkennen.
de
dc.description.abstract
Day-to-day we are becoming witnesses of numerous events. Due to online social networking services, it has never been easier to spread the news about those events we have just perceived. In this work, we will show how to use social media services as a crowd-sourced news agency. This is achieved by crawling multiple online social networking services, thereby benefiting from their varieties as well as differences. To allow for detecting local events affecting rather small areas (i.e. street level, points of interests etc.), precise location information must be extracted from the message content. We therefore have developed a working prototype implementation with restrictions to the city of Vienna. By using geographical clustering in combination with machine learning approaches, even local events can be detected shortly after their announcement on one (or multiple) social media services.
en
dc.format
xv, 118 Blätter
-
dc.language
English
-
dc.language.iso
en
-
dc.subject
event detection
de
dc.subject
machine learning
de
dc.subject
social media
de
dc.subject
web mining
de
dc.subject
event detection
en
dc.subject
machine learning
en
dc.subject
social media
en
dc.subject
web mining
en
dc.title
Detecting local events using multiple social networking services and geographical clustering
en
dc.type
Thesis
en
dc.type
Hochschulschrift
de
dc.identifier.doi
10.34726/hss.2020.51945
-
dc.contributor.affiliation
TU Wien, Österreich
-
dc.publisher.place
Wien
-
tuw.thesisinformation
Technische Universität Wien
-
dc.contributor.assistant
Neidhardt, Julia
-
tuw.publication.orgunit
E188 - Institut für Softwaretechnik und Interaktive Systeme
-
dc.type.qualificationlevel
Diploma
-
dc.identifier.libraryid
AC15645773
-
dc.description.numberOfPages
118
-
dc.identifier.urn
urn:nbn:at:at-ubtuw:1-137972
-
dc.thesistype
Diplomarbeit
de
dc.thesistype
Diploma Thesis
en
tuw.advisor.staffStatus
staff
-
tuw.assistant.staffStatus
staff
-
tuw.assistant.orcid
0000-0001-7184-1841
-
item.languageiso639-1
en
-
item.cerifentitytype
Publications
-
item.cerifentitytype
Publications
-
item.fulltext
with Fulltext
-
item.openairetype
Thesis
-
item.openairetype
Hochschulschrift
-
item.openaccessfulltext
Open Access
-
item.openairecristype
http://purl.org/coar/resource_type/c_18cf
-
item.openairecristype
http://purl.org/coar/resource_type/c_18cf
-
item.grantfulltext
open
-
crisitem.author.dept
E194-04 - Forschungsbereich E-Commerce
-
crisitem.author.parentorg
E194 - Institut für Information Systems Engineering