Συσταδοποίηση χρονοσειρών για τον προσδιορισμό της αφοσίωσης των χρηστών κοινωνικών δικτύων απέναντι σε μια επωνυμία
Στη σύγχρονη εποχή, τα κοινωνικά δίκτυα παρέχουν μια πληθώρα δεδομένων, τα οποία μπορούν να χρησιμοποιηθούν από τις επιχειρήσεις για την επίτευξη των σκοπών τους. Είναι απαραίτητο όμως να υποστούν την κατάλληλη επεξεργασία και ανάλυση ώστε να καταστεί δυνατή η ανάκτηση πληροφορίας από αυτά και στη σ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/16388 |
| id |
nemertes-10889-16388 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-163882022-09-06T05:14:20Z Συσταδοποίηση χρονοσειρών για τον προσδιορισμό της αφοσίωσης των χρηστών κοινωνικών δικτύων απέναντι σε μια επωνυμία Time series clustering for determining brand loyalty of users across social media Κυριαζίδης, Σωκράτης Kyriazidis, Sokratis Ανάλυση χρονοσειρών Συσταδοποίηση χρονοσειρών Συστημική ανάλυση δεδομένων Κοινωνικά δίκτυα Επιχειρησιακή ανάλυση Timeseries analysis Social networks Shapelets Στη σύγχρονη εποχή, τα κοινωνικά δίκτυα παρέχουν μια πληθώρα δεδομένων, τα οποία μπορούν να χρησιμοποιηθούν από τις επιχειρήσεις για την επίτευξη των σκοπών τους. Είναι απαραίτητο όμως να υποστούν την κατάλληλη επεξεργασία και ανάλυση ώστε να καταστεί δυνατή η ανάκτηση πληροφορίας από αυτά και στη συνέχεια η εξαγωγή γνώσης χρήσιμης για τις επιχειρήσεις. Στην εργασία αυτή προτείνεται ένας τρόπος διαχωρισμού χρηστών των κοινωνικών δικτύων που ακολουθούν μια επωνυμία, πιο συγκεκριμένα των Starbucks, σε «αφοσιωμένους» και «μη αφοσιωμένους», χρησιμοποιώντας τεχνικές συσταδοποίησης χρονοσειρών. Η προσέγγιση αυτή βασίζεται στη δημιουργία χρονοσειρών από τις δημοσιεύσεις των χρηστών σε τρία δημοφιλή κοινωνικά δίκτυα, Reddit, Twitter και YouTube. Οι χρονοσειρές δημιουργήθηκαν με τη χρήση μετρικών που εξάγουν αποτελέσματα βασιζόμενες στις αναρτήσεις των χρηστών. Για την εκτίμηση της συμπεριφοράς των χρηστών χρησιμοποιήθηκαν τρεις μετρικές και οι χρονοσειρές, στις οποίες βασίστηκε η υλοποίηση, είναι τριών διαστάσεων. Για τη συσταδοποίηση των χρονοσειρών και την αναγνώριση των αφοσιωμένων χρηστών, χρησιμοποιήθηκε η τεχνική της συσταδοποίησης με τη χρήση των shapelets. Για την επαλήθευση των αποτελεσμάτων της συσταδοποίησης και τον υπολογισμό της απόδοσης της μεθόδου αναπτύχθηκαν επίσης τρεις κατάλληλες μετρικές. Επιπλέον, πραγματοποιήθηκε μια νέα συσταδοποίηση χρησιμοποιώντας πρώτα σημασιολογική ανάλυση των δεδομένων, ώστε να χρησιμοποιηθούν μόνο οι αναρτήσεις των χρηστών που σχετίζονται με τις αναρτήσεις του επίσημου λογαριασμού των Starbucks στο Twitter. Η σημασιολογική ανάλυση βασίστηκε στον αλγόριθμο LDA. Τα πειραματικά αποτελέσματα που βασίζονται στις μετρικές επαλήθευσης επιβεβαιώνουν την υπόθεση ότι η συσταδοποίηση που επιτυγχάνεται μετά την σημασιολογική επεξεργασία των κειμένων των χρηστών έχει, μεγαλύτερη ακρίβεια από την αρχική συσταδοποίηση. In modern times social networks provide a plethora of data, which can be used by businesses to achieve their goals. However, it is necessary for them to undergo the appropriate processing and analysis in order to be able to retrieve information from them and then extract knowledge useful for businesses. This work proposes a way to separate users of social networks that follow a brand, more specifically Starbucks, into loyal and non loyal, using time series clustering techniques. This approach is based on the creation of time series from user posts on three popular social networks, Reddit, Twitter and YouTube. The time series were created using metrics that extract results based on users' posts on the aforementioned social networks. Three metrics were used to assess user behaviour and the time series on which the implementation was based have three dimensions. For the contraction of time series and the identification of loyal users, the technique of clustering using shapelets was used. For the verification of the results of the clustering and the calculation of the efficiency of the method, three appropriate metrics were also developed. In addition, a new clustering was carried out using semantic analysis of the data, so that only user posts related to the posts of Starbucks' official Twitter account were used. Semantic analysis was based on the LDA algorithm. Experimental results based on verification metrics confirm the hypothesis that the clustering achieved after the semantic processing of users' texts is more accurate than the initial one. 2022-07-05T09:38:28Z 2022-07-05T09:38:28Z 2022-07-04 http://hdl.handle.net/10889/16388 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Ανάλυση χρονοσειρών Συσταδοποίηση χρονοσειρών Συστημική ανάλυση δεδομένων Κοινωνικά δίκτυα Επιχειρησιακή ανάλυση Timeseries analysis Social networks Shapelets |
| spellingShingle |
Ανάλυση χρονοσειρών Συσταδοποίηση χρονοσειρών Συστημική ανάλυση δεδομένων Κοινωνικά δίκτυα Επιχειρησιακή ανάλυση Timeseries analysis Social networks Shapelets Κυριαζίδης, Σωκράτης Συσταδοποίηση χρονοσειρών για τον προσδιορισμό της αφοσίωσης των χρηστών κοινωνικών δικτύων απέναντι σε μια επωνυμία |
| description |
Στη σύγχρονη εποχή, τα κοινωνικά δίκτυα παρέχουν μια πληθώρα δεδομένων, τα οποία μπορούν να χρησιμοποιηθούν από τις επιχειρήσεις για την επίτευξη των σκοπών τους. Είναι απαραίτητο όμως να υποστούν την κατάλληλη επεξεργασία και ανάλυση ώστε να καταστεί δυνατή η ανάκτηση πληροφορίας από αυτά και στη συνέχεια η εξαγωγή γνώσης χρήσιμης για τις επιχειρήσεις.
Στην εργασία αυτή προτείνεται ένας τρόπος διαχωρισμού χρηστών των κοινωνικών δικτύων που ακολουθούν μια επωνυμία, πιο συγκεκριμένα των Starbucks, σε «αφοσιωμένους» και «μη αφοσιωμένους», χρησιμοποιώντας τεχνικές συσταδοποίησης χρονοσειρών. Η προσέγγιση αυτή βασίζεται στη δημιουργία χρονοσειρών από τις δημοσιεύσεις των χρηστών σε τρία δημοφιλή κοινωνικά δίκτυα, Reddit, Twitter και YouTube. Οι χρονοσειρές δημιουργήθηκαν με τη χρήση μετρικών που εξάγουν αποτελέσματα βασιζόμενες στις αναρτήσεις των χρηστών. Για την εκτίμηση της συμπεριφοράς των χρηστών χρησιμοποιήθηκαν τρεις μετρικές και οι χρονοσειρές, στις οποίες βασίστηκε η υλοποίηση, είναι τριών διαστάσεων. Για τη συσταδοποίηση των χρονοσειρών και την αναγνώριση των αφοσιωμένων χρηστών, χρησιμοποιήθηκε η τεχνική της συσταδοποίησης με τη χρήση των shapelets. Για την επαλήθευση των αποτελεσμάτων της συσταδοποίησης και τον υπολογισμό της απόδοσης της μεθόδου αναπτύχθηκαν επίσης τρεις κατάλληλες μετρικές.
Επιπλέον, πραγματοποιήθηκε μια νέα συσταδοποίηση χρησιμοποιώντας πρώτα σημασιολογική ανάλυση των δεδομένων, ώστε να χρησιμοποιηθούν μόνο οι αναρτήσεις των χρηστών που σχετίζονται με τις αναρτήσεις του επίσημου λογαριασμού των Starbucks στο Twitter. Η σημασιολογική ανάλυση βασίστηκε στον αλγόριθμο LDA. Τα πειραματικά αποτελέσματα που βασίζονται στις μετρικές επαλήθευσης επιβεβαιώνουν την υπόθεση ότι η συσταδοποίηση που επιτυγχάνεται μετά την σημασιολογική επεξεργασία των κειμένων των χρηστών έχει, μεγαλύτερη ακρίβεια από την αρχική συσταδοποίηση. |
| author2 |
Kyriazidis, Sokratis |
| author_facet |
Kyriazidis, Sokratis Κυριαζίδης, Σωκράτης |
| author |
Κυριαζίδης, Σωκράτης |
| author_sort |
Κυριαζίδης, Σωκράτης |
| title |
Συσταδοποίηση χρονοσειρών για τον προσδιορισμό της αφοσίωσης των χρηστών κοινωνικών δικτύων απέναντι σε μια επωνυμία |
| title_short |
Συσταδοποίηση χρονοσειρών για τον προσδιορισμό της αφοσίωσης των χρηστών κοινωνικών δικτύων απέναντι σε μια επωνυμία |
| title_full |
Συσταδοποίηση χρονοσειρών για τον προσδιορισμό της αφοσίωσης των χρηστών κοινωνικών δικτύων απέναντι σε μια επωνυμία |
| title_fullStr |
Συσταδοποίηση χρονοσειρών για τον προσδιορισμό της αφοσίωσης των χρηστών κοινωνικών δικτύων απέναντι σε μια επωνυμία |
| title_full_unstemmed |
Συσταδοποίηση χρονοσειρών για τον προσδιορισμό της αφοσίωσης των χρηστών κοινωνικών δικτύων απέναντι σε μια επωνυμία |
| title_sort |
συσταδοποίηση χρονοσειρών για τον προσδιορισμό της αφοσίωσης των χρηστών κοινωνικών δικτύων απέναντι σε μια επωνυμία |
| publishDate |
2022 |
| url |
http://hdl.handle.net/10889/16388 |
| work_keys_str_mv |
AT kyriazidēssōkratēs systadopoiēsēchronoseirōngiatonprosdiorismotēsaphosiōsēstōnchrēstōnkoinōnikōndiktyōnapenantisemiaepōnymia AT kyriazidēssōkratēs timeseriesclusteringfordeterminingbrandloyaltyofusersacrosssocialmedia |
| _version_ |
1799945007707193344 |
