BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Wolny Wiesław (Uniwersytet Ekonomiczny w Katowicach)
Tytuł
Wielowymiarowa analiza mediów społecznościowych
Multidimentional Social Media Analysis
Źródło
Ekonomiczne Problemy Usług, 2017, nr 126, T.2, s. 305-313, bibl.14 poz.
Słowa kluczowe
Media społecznościowe
Social media
Uwagi
Klasyfikacja JEL: C88
streszcz., summ.
Abstrakt
Media społecznościowe w ostatnich latach przyciągają szczególną uwagę badaczy. Setki milionów ludzi spędza niezliczone godziny dzieląc się informacjami, opiniami, zdjęciami czy tworząc grupy zainteresowań. Jest to nowe, bogate źródło danych mające olbrzymi potencjał badawczy dla naukowców i do zastosowań praktycznych. W artykule zawarto koncepcję metody analizy mediów społecznościowych opartą na wielu wymiarach. Wymiary te obejmują analizę: danych tekstowych, użytkowników, sieci społecznościowych, danych geograficznych i obrazów.(abstrakt oryginalny)

Social media has gained prominent attention in the last years. Hundreds of millions of people spending countless hours on social media to communicate, interact, share pictures and create groups of interests. Social media has become rich source of data for analysis to scientists and practitioners. Concept of multidimensional analysis of social media is presented in the article. Dimensions of analysis includes text analysis, user analysis, user networks analysis, geospatial analysis and picture analysis.(original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Szczecińskiego
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Blei, D.M., Ng, A.Y., Jordan, M.I. (2003). Latent Dirichlet Allocation. The Journal of Machine Learning Research, 3, 993-1022.
  2. Donelly III, J. (2016). The future of social intelligence: image recognition and analysis. Pobrane z: http://marketingland.com/future-social-intelligence-image-recognition-analysis-179902 􀍒(2.01.2017).
  3. Ghosh, R., Lerman, K. (2011). Parameterized centrality metric for network analysis. Physical Review E, 83 (6), 66118. Pobrane z: https://doi.org/10.1103/PhysRevE.83.066118.
  4. Hansen, D.L., Smith, M.A., Shneiderman, B. (2011). EventGraphs: Charting Collections of Conference Connections. 44th Hawaii International Conference on Systems Science (HICSS- 44 2011), Proceedings, 4-7.01.2011. Koloa, Kauai, HI, USA (s. 1-10). Pobrane z: https://doi.org/10.1109/HICSS.2011.196.
  5. Hansen, D., Shneiderman B., Smith M.A. (2010). Analyzing Social Media Networks with NodeXL: Insights from a Connected World. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc.
  6. Hatzivassiloglou, V., McKeown, K.R. (1997). Predicting the Semantic Orientation of Adjectives. Proceedings of the 35th Annual Meeting of the Association for Computational Linguistics and Eighth Conference of the European Chapter of the Association for Computational Linguistics (s. 174-181). Madrid, Spain: Association for Computational Linguistics. Pobrano z: https://doi.org/10.3115/976909.979640.
  7. Kim, S.M., Hovy, E. (2004). Determining the Sentiment of Opinions. Proceedings of the 20th International Conference on Computational Linguistics. Geneva, Switzerland: Association for Computational Linguistics. Pobrano z: https://doi.org/10.3115/1220355.1220555.
  8. Kumar, S., Morstatter, F., Liu, H. (2013). Twitter Data Analytics. Springer.
  9. Pang, B., Lee, L. (2004). A Sentimental Education: Sentiment Analysis Using Subjectivity Summarization Based on Minimum Cuts. Proceedings of the 42Nd Annual Meeting on Association for Computational Linguistics. Barcelona, Spain: Association for Computational Linguistics. Pobrano z: https://doi.org/10.3115/1218955.1218990.
  10. Socher, R., Pennington, J., Huang, E.H., Ng, A.Y., Manning, C.D. (2011). Semi-supervised Recursive Autoencoders for Predicting Sentiment Distributions. Proceedings of the Conference on Empirical Methods in Natural Language Processing (s. 151-161). Edinburgh, United Kingdom: Association for Computational Linguistics. Pobrano z: http://dl.acm. org/citation.cfm?id=2145432.2145450
  11. Tromp, E., Pechenizkiy, M. (2015). Pattern-Based Emotion Classification on Social Media. [W:] Advances in Social Media Analysis, t. 602 (s. 1-20). Springer. Pobrano z: http://dx. doi.org/10.1007/978-3-319-18458-61
  12. Wilson, T., Wiebe, J., Hoffmann, P. (2009). Recognizing Contextual Polarity: An Exploration of Features for Phrase-level Sentiment Analysis. Computational Linguistics, 35 (3), 399- 433.
  13. Wolny, W. (2016). Emotion Analysis of Twitter Data That Use Emoticons and Emoji Ideograms. International Conference on Information Systems Development (ISD). Pobrane z: http://aisel.aisnet.org/isd2014/proceed- ings2016/CreativitySupport/5 (1.12.2016).
  14. Zhu, W.D., Iwai, A., Leyba, T., Magdalen, J., McNeil, K., Nasukawa, T., Redbooks, I. (2011). IBM Content Analytics Version 2.2: Discovering Actionable Insight from Your Content. Vervante. Pobrane z: https://books.- google.pl/books?id=MRnCAgAAQBAJ (1.12.2016).
Cytowane przez
Pokaż
ISSN
1896-382X
Język
pol
URI / DOI
http://dx.doi.org/10.18276/epu.2017.126/2-31
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu