Χρήση αλγορίθμων μηχανικής μάθησης για την ταυτοποίηση κοινών σημείων ενδιαφέροντος σε ετερογενή σύνολα δεδομένων από μέσα κοινωνικής δικτύωσης
Στην εργασία αυτή ασχολούμαστε με την αξιοποίηση των δεδομένων από διαφορετικά κοινωνικά δίκτυα (πιο συγκεκριμένα από Foursquare και Facebook) με σκοπό να ταυτοποιήσουμε τις ίδιες τοποθεσίες (ή αλλιώς σημεία ενδιαφέροντος) που έχουν εισαχθεί σε αυτά τα δίκτυα. Το πρόβλημα της ταυτοποίησης είναι σημα...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2014
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/6948 |
| id |
nemertes-10889-6948 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-69482022-09-05T13:56:01Z Χρήση αλγορίθμων μηχανικής μάθησης για την ταυτοποίηση κοινών σημείων ενδιαφέροντος σε ετερογενή σύνολα δεδομένων από μέσα κοινωνικής δικτύωσης Καλαβρουζιώτης, Βασίλειος Γαροφαλάκης, Ιωάννης Γαροφαλάκης, Ιωάννης Τσακαλίδης, Αθανάσιος Χατζηλυγερούδης, Ιωάννης Kalavrouziotis, Vasilios Μηχανική μάθηση Νευρωνικά δίκτυα Γεωγραφικά δεδομένα Σημεία ενδιαφέροντος Machine learning Neural networks Geographic data Points of interest 006.32 Στην εργασία αυτή ασχολούμαστε με την αξιοποίηση των δεδομένων από διαφορετικά κοινωνικά δίκτυα (πιο συγκεκριμένα από Foursquare και Facebook) με σκοπό να ταυτοποιήσουμε τις ίδιες τοποθεσίες (ή αλλιώς σημεία ενδιαφέροντος) που έχουν εισαχθεί σε αυτά τα δίκτυα. Το πρόβλημα της ταυτοποίησης είναι σημαντικό να λυθεί διότι έτσι θα μπορούσε να αποκτηθεί μια καλύτερη εικόνα για τις αλληλεπιδράσεις των χρηστών με το φυσικό περιβάλλον με τη χρήση των μέσων κοινωνικής δικτύωσης (social data). Αυτό σημαίνει ταυτόχρονα και καλύτερη ανάλυση και αξιοποίηση αυτών δεδομένων, αφού θα έχουμε αναγνωρίσει μεγάλο μέρος των κοινών σημείων ενδιαφέροντος από ετερογενή σύνολα δεδομένων από τα μέσα κοινωνικής δικτύωσης. Μια λύση στο πρόβλημα είναι η χρήση των αλγορίθμων μηχανικής μάθησης, που θα αποφασίζουν αν ένα ζεύγος σημείων αντιπροσωπεύει το ίδιο σημείο ενδιαφέροντος. In this paper we deal with the exploitation of data from different social networks (more specifically from Foursquare and Facebook) in order to identify the same locations (or landmarks ) introduced in these networks . The problem of identification is important to solve it so he could get a better picture of the user interactions with the natural environment through the use of social media (social data). This means simultaneously and better analysis and use of such data , since we recognize much of the common points of interest from heterogeneous datasets from social media . One solution to this problem is the use of machine learning algorithms , which will decide whether a pair of points represents the same point of interest . 2014-04-02T10:05:36Z 2014-04-02T10:05:36Z 2013-12-09 2014-04-02 Thesis http://hdl.handle.net/10889/6948 gr Η ΒΚΠ διαθέτει αντίτυπο της διατριβής σε έντυπη μορφή στο βιβλιοστάσιο διδακτορικών διατριβών που βρίσκεται στο ισόγειο του κτιρίου της. 0 application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάθηση Νευρωνικά δίκτυα Γεωγραφικά δεδομένα Σημεία ενδιαφέροντος Machine learning Neural networks Geographic data Points of interest 006.32 |
| spellingShingle |
Μηχανική μάθηση Νευρωνικά δίκτυα Γεωγραφικά δεδομένα Σημεία ενδιαφέροντος Machine learning Neural networks Geographic data Points of interest 006.32 Καλαβρουζιώτης, Βασίλειος Χρήση αλγορίθμων μηχανικής μάθησης για την ταυτοποίηση κοινών σημείων ενδιαφέροντος σε ετερογενή σύνολα δεδομένων από μέσα κοινωνικής δικτύωσης |
| description |
Στην εργασία αυτή ασχολούμαστε με την αξιοποίηση των δεδομένων από διαφορετικά κοινωνικά δίκτυα (πιο συγκεκριμένα από Foursquare και Facebook) με σκοπό να ταυτοποιήσουμε τις ίδιες τοποθεσίες (ή αλλιώς σημεία ενδιαφέροντος) που έχουν εισαχθεί σε αυτά τα δίκτυα. Το πρόβλημα της ταυτοποίησης είναι σημαντικό να λυθεί διότι έτσι θα μπορούσε να αποκτηθεί μια καλύτερη εικόνα για τις αλληλεπιδράσεις των χρηστών με το φυσικό περιβάλλον με τη χρήση των μέσων κοινωνικής δικτύωσης (social data). Αυτό σημαίνει ταυτόχρονα και καλύτερη ανάλυση και αξιοποίηση αυτών δεδομένων, αφού θα έχουμε αναγνωρίσει μεγάλο μέρος των κοινών σημείων ενδιαφέροντος από ετερογενή σύνολα δεδομένων από τα μέσα κοινωνικής δικτύωσης.
Μια λύση στο πρόβλημα είναι η χρήση των αλγορίθμων μηχανικής μάθησης, που θα αποφασίζουν αν ένα ζεύγος σημείων αντιπροσωπεύει το ίδιο σημείο ενδιαφέροντος. |
| author2 |
Γαροφαλάκης, Ιωάννης |
| author_facet |
Γαροφαλάκης, Ιωάννης Καλαβρουζιώτης, Βασίλειος |
| format |
Thesis |
| author |
Καλαβρουζιώτης, Βασίλειος |
| author_sort |
Καλαβρουζιώτης, Βασίλειος |
| title |
Χρήση αλγορίθμων μηχανικής μάθησης για την ταυτοποίηση κοινών σημείων ενδιαφέροντος σε ετερογενή σύνολα δεδομένων από μέσα κοινωνικής δικτύωσης |
| title_short |
Χρήση αλγορίθμων μηχανικής μάθησης για την ταυτοποίηση κοινών σημείων ενδιαφέροντος σε ετερογενή σύνολα δεδομένων από μέσα κοινωνικής δικτύωσης |
| title_full |
Χρήση αλγορίθμων μηχανικής μάθησης για την ταυτοποίηση κοινών σημείων ενδιαφέροντος σε ετερογενή σύνολα δεδομένων από μέσα κοινωνικής δικτύωσης |
| title_fullStr |
Χρήση αλγορίθμων μηχανικής μάθησης για την ταυτοποίηση κοινών σημείων ενδιαφέροντος σε ετερογενή σύνολα δεδομένων από μέσα κοινωνικής δικτύωσης |
| title_full_unstemmed |
Χρήση αλγορίθμων μηχανικής μάθησης για την ταυτοποίηση κοινών σημείων ενδιαφέροντος σε ετερογενή σύνολα δεδομένων από μέσα κοινωνικής δικτύωσης |
| title_sort |
χρήση αλγορίθμων μηχανικής μάθησης για την ταυτοποίηση κοινών σημείων ενδιαφέροντος σε ετερογενή σύνολα δεδομένων από μέσα κοινωνικής δικτύωσης |
| publishDate |
2014 |
| url |
http://hdl.handle.net/10889/6948 |
| work_keys_str_mv |
AT kalabrouziōtēsbasileios chrēsēalgorithmōnmēchanikēsmathēsēsgiatēntautopoiēsēkoinōnsēmeiōnendiapherontosseeterogenēsynoladedomenōnapomesakoinōnikēsdiktyōsēs |
| _version_ |
1801184883029049344 |
