du.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • chicago-author-date
  • chicago-note-bibliography
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
LDA-TM: A two-step approach to twitter topic data clustering
Högskolan Dalarna, Akademin Industri och samhälle, Informatik.ORCID-id: 0000-0003-3681-8173
2016 (Engelska)Ingår i: Proceedings of the 2016 IEEE International Conference on Cloud Computing and Big Data Analysis, IEEE conference proceedings, 2016, s. 342-347Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

The Twitter System is the biggest social network in the world, and everyday millions of tweets are posted and talked about, expressing various views and opinions. A large variety of research activities have been conducted to study how the opinions can be clustered and analyzed, so that some tendencies can be uncovered. Due to the inherent weaknesses of the tweets - very short texts and very informal styles of writing - it is rather hard to make an investigation of tweet data analysis giving results with good performance and accuracy. In this paper, we intend to attack the problem from another aspect - using a two-layer structure to analyze the twitter data: LDA with topic map modelling. The experimental results demonstrate that this approach shows a progress in twitter data analysis. However, more experiments with this method are expected in order to ensure that the accurate analytic results can be maintained.

Ort, förlag, år, upplaga, sidor
IEEE conference proceedings, 2016. s. 342-347
Nyckelord [en]
big data; twitter data; data analyties; LDA; topic model
Nationell ämneskategori
Data- och informationsvetenskap
Forskningsämne
Komplexa system - mikrodataanalys
Identifikatorer
URN: urn:nbn:se:du-22827DOI: 10.1109/ICCCBDA.2016.7529581ISI: 000391255500057ISBN: 978-1-5090-2594-7 (tryckt)OAI: oai:DiVA.org:du-22827DiVA, id: diva2:954497
Konferens
2016 IEEE International Conference on Cloud Computing and Big Data Analysis, Chengdu, China 5-7 July 2016
Tillgänglig från: 2016-08-22 Skapad: 2016-08-22 Senast uppdaterad: 2018-01-10Bibliografiskt granskad

Open Access i DiVA

fulltext(1107 kB)396 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 1107 kBChecksumma SHA-512
2071bcf04fea8ebadcc665579050422b1c69e27bfdd87496c7f001a06175ded4a2a5e2fe53957d7e923e4e9962b8679503f4c7a2b639bba80c4b6c7cdd90e15d
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltext

Personposter BETA

Song, William Wei

Sök vidare i DiVA

Av författaren/redaktören
Song, William Wei
Av organisationen
Informatik
Data- och informationsvetenskap

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 396 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 636 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • chicago-author-date
  • chicago-note-bibliography
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf