Μηχανική μάθηση σε δεδομένα κοινωνικών δικτύων για εκτίμηση τηλεθέασης

Πιερράκος, Χρήστος; Pierrakos, Christos

dc.contributor.author	Πιερράκος, Χρήστος	el
dc.contributor.author	Pierrakos, Christos	en
dc.date.accessioned	2019-07-19T10:26:38Z
dc.date.available	2019-07-19T10:26:38Z
dc.date.issued	2019-07-19
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/49105
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16443
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Μέσα κοινωνικής δικτύωσης	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Τηλεθέαση	el
dc.subject	Data science	en
dc.subject	Data mining	en
dc.subject	Regression	en
dc.subject	Twitter	en
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Τηλεόραση	el
dc.subject	Time-series	en
dc.subject	Machine learning over social media data to extract audience statistics	en
dc.title	Μηχανική μάθηση σε δεδομένα κοινωνικών δικτύων για εκτίμηση τηλεθέασης	el
heal.type	bachelorThesis
heal.secondaryTitle	Machine learning over social media data to extract audience statistics	en
heal.classification	Μηχανική μάθηση	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-03-19
heal.abstract	This diploma thesis explores the data provided by Twitter for the purpose of estimating the TV broadcasting audience during which the users of the platform are highly active. Specifically, a number of features based on free Twitter data, such as the volume of tweets and retweets, the volume of unique users, and the sentiment analysis of tweets that are relevant to each television program, are produced. These indicators are evaluated in order to find the most appropriate and important ones, while a variety of machine learning models such as linear regression and decision trees are fed by these features and compared to each other , so as to highlight the model that best fits the problem of estimating the numbers of unique users watching the television program and its viewing rate, that model that achieves the highest possible accuracy compared to actual data. For the purposes of this diploma thesis, data is collected for an Italian television program and conclusions are drawn for its audience, thus proving Twitter as a powerful platform for audience estimation.	en
heal.abstract	Στην παρούσα διπλωματική εργασία αξιοποιούνται τα δεδομένα που παρέχει το Twitter με σκοπό την εκτίμηση της ακροαματικότητας τηλεοπτικών εκπομπών κατά την διάρκεια των οποίων οι χρήστες της πλατφόρμας είναι ιδιαίτερα ενεργοί. Συγκεκριμένα παράγεται πλήθος χαρακτηριστικών βασισμένα στα ελεύθερα δεδομένα του Twitter, όπως ο όγκος των δημοσιεύσεων και αναδημοσιεύσεων, ο όγκος των μοναδικών χρηστών αλλά και η ανάλυση συναισθήματος των δημοσιεύσεων που αφορούν το εκάστοτε τηλεοπτικό πρόγραμμα. Οι εν λόγω δείκτες αξιολογούνται προκειμένου να βρεθούν οι πλέον κατάλληλοι και σημαντικοί, ενώ πληθώρα μοντέλων μηχανικής μάθησης όπως η γραμμική παλινδρόμηση και τα δέντρα απόφασης τροφοδοτούνται από τα χαρακτηριστικά αυτά και συγκρίνονται μεταξύ τους ώστε να αναδειχθεί εκείνο το μοντέλο που αποδίδει καλύτερα στο πρόβλημα της εκτίμησης των μοναδικών ατόμων που παρακολουθεί το τηλεοπτικό πρόγραμμα και του ποσοστού τηλεθέασης του, δηλαδή το μοντέλο που επιτυγχάνει την μέγιστη δυνατή ακρίβεια σε σύγκριση με τα πραγματικά δεδομένα. Για τις ανάγκες της παρούσας διπλωματικής εργασίας, συλλέγονται δεδομένα για ένα ιταλικό τηλεοπτικό πρόγραμμα και στην συνέχεια εξάγονται συμπεράσματα για την ακροαματικότητα του, καταδεικνύοντας έτσι το Twitter ως μια ισχυρή πλατφόρμα για την εκτίμηση της τηλεθέασης.	el
heal.advisorName	Ρουσσάκη, Ιωάννα	el
heal.committeeMemberName	Αναγνώστου, Μιλτιάδης	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα	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	83 σ.
heal.fullTextAvailability	true