Μηχανική μάθηση για την εκτίμηση τηλεθέασης βάσει δεδομένων κοινωνικών δικτύων

Παρασκευόπουλος, Μάριος; Paraskefopoulos, Marios

dc.contributor.author	Παρασκευόπουλος, Μάριος	el
dc.contributor.author	Paraskefopoulos, Marios	en
dc.date.accessioned	2019-03-04T09:43:51Z
dc.date.available	2019-03-04T09:43:51Z
dc.date.issued	2019-03-04
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/48336
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16334
dc.rights	Default License
dc.subject	Μηχανική μάθηση	el
dc.subject	Επιστήμη δεδομένων	el
dc.subject	Κοινωνικά δίκτυα	el
dc.subject	Παλινδρόμηση	el
dc.subject	Τηλεθέαση	el
dc.subject	Supervised Learning	en
dc.subject	Data Science	en
dc.subject	Social media	en
dc.subject	Audience analytics	en
dc.subject	Regression	en
dc.title	Μηχανική μάθηση για την εκτίμηση τηλεθέασης βάσει δεδομένων κοινωνικών δικτύων	el
dc.title	Machine Learning in support of audience analytics	en
heal.type	bachelorThesis
heal.classification	Βασική μηχανική μάθηση	el
heal.classification	Big data	en
heal.classification	Supervised learning (Machine learning)	en
heal.classificationURI	http://data.seab.gr/concepts/fec24cd140d4b110c225ac68fec062a57fb86360
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh2012003227
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh94008290
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-12-19
heal.abstract	Τα κοινωνικά δίκτυα και ιδιαίτερα τα μέσα κοινωνικής δικτύωσης παρουσιάζουν μια διαρκώς αυξανόμενη δημοτικότητα τα τελευταία χρόνια, απόρροια της ευκολίας που παρέχουν στο χρήστη ως προς την επικοινωνία, τη διάδοση πληροφορίας και γνώσης και την ενημέρωση. Τέτοια δίκτυα προσφέρουν αφθονία περιεχομένου δημιουργούμενου από τους χρήστες και αποτελούν μια ανοιχτή και πλούσια πηγή δεδομένων για τη μελέτη διαφόρων πτυχών της ανθρώπινης συμπεριφοράς από κοινωνικές και δικτυακές επιστήμες. Αυτός ο τεράστιος όγκος δεδομένων δύναται να αξιοποιηθεί και σε εφαρμογές, όπως το στοχευμένο μάρκετινγκ, η δημοσκόπηση και οι επιχειρηματικές αναλύσεις. Σημαντικό εργαλείο στα χέρια των αναλυτών αποτελεί η εξαγωγή πληροφοριών για τις προτιμήσεις και τα ενδιαφέροντα των χρηστών των κοινωνικών δικτύων. Το αντικείμενο της παρούσης διπλωματικής εργασίας είναι η μελέτη και εξαγωγή συμπερασμάτων για το ενδιαφέρον των χρηστών για διάφορες τηλεοπτικές εκπομπές βασίζοντας την ανάλυση στη δραστηριότητα τους στα κοινωνικά δίκτυα. Συγκεκριμένα, αντλούνται στοιχεία από τις πλατφόρμες Twitter και Google Trends. Η πρώτη αποτελεί ένα από τα δημοφιλέστερα μέσα κοινωνικής δικτύωσης με μερικές εκατοντάδες εκατομμύρια χρήστες ανά την υφήλιο. Χαρακτηρίζεται από την ελευθερία πρόσβασης στα δεδομένα που παράγουν οι χρήστες, ωστόσο δε διαθέτει υποχρεωτικά πεδία συμπλήρωσης δημογραφικών στοιχείων και στοιχείων προτίμησης. Το γεγονός αυτό, σε συνδυασμό με το αυξανόμενο ερευνητικό και εμπορικό ενδιαφέρον για τέτοια δεδομένα, έχει οδηγήσει στη διεξαγωγή πληθώρας ερευνών και τη δημιουργία διαφόρων τρόπων έμμεσης ανάκτησης τέτοιων στοιχείων από τους λογαριασμούς των χρηστών. Η διαφοροποίηση της προσπάθειας αυτής έγκειται στην καινοτόμο αξιοποίηση της δεύτερης πλατφόρμας εκ των αναφερθέντων. Τα Google Trends, προϊόν της περιώνυμης εταιρείας, είναι μια ιστοσελίδα σύγκρισης της δημοφιλίας των όρων αναζήτησης στην ομώνυμη μηχανή αναζήτησης με έμφαση στη γεωγραφική και γλωσσική ευελιξία της ανάλυσης. Η εργασία αυτή καταδεικνύει τη δύναμη της πληροφορίας που εξάγεται από τη δραστηριότητα των χρηστών του Twitter και τη δυνατότητα αξιοποίησης δεδομένων από τα Google Trends στην εκτίμηση της ακροαματικότητας τηλεοπτικών εκπομπών.	el
heal.advisorName	Ρουσσάκη, Ιωάννα	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα	el
heal.committeeMemberName	Αναγνώστου, Μιλτιάδης	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	77 σ.
heal.fullTextAvailability	true