Digitala Vetenskapliga Arkivet

Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • 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
Pattern Detection in Bipartite Temporal Network
Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Matematisk-datavetenskapliga sektionen, Institutionen för informationsteknologi.
2018 (Engelska)Självständigt arbete på avancerad nivå (masterexamen), 20 poäng / 30 hpStudentuppsats (Examensarbete)
Abstract [en]

Pattern detection in social networks has been of great interest recently because it helps to reveal insights about how people communicate. In graph mining, this is referred to as a frequent sub-graphs mining problem and it has many variations regarding the structure of the network - i.e. how much information the graph holds. As a part of the evolution of the problem, additional information such as data dimensions or more advanced network structure are incorporated to the input to find more interesting hidden patterns. This thesis concerns finding patterns in Twitter data modeled as a bipartite network with an additional temporal dimension. After defining three topology-based types of pattern mathematically, three pattern detection methods are developed, implemented and tested on real-world data collected from Twitter. The results reveal the most popular patterns of each type on Twitter data, a decaying tendency in the replying time as the conversation develops and other interesting observations. They also show that using the difference between two consecutive messages in a pattern (time leap) could be a good alternative time constraint for a time window in pattern detection. Despite being run on a small number of test cases, the results successfully demonstrate the potential of studying chain-like patterns separated from the dominant star-like ones in social networks like Twitter.

Ort, förlag, år, upplaga, sidor
2018. , s. 82
Serie
IT ; 18066
Nationell ämneskategori
Teknik och teknologier
Identifikatorer
URN: urn:nbn:se:uu:diva-393215OAI: oai:DiVA.org:uu-393215DiVA, id: diva2:1352098
Utbildningsprogram
Masterprogram i datavetenskap
Handledare
Examinatorer
Tillgänglig från: 2019-09-17 Skapad: 2019-09-17 Senast uppdaterad: 2019-09-17Bibliografiskt granskad

Open Access i DiVA

fulltext(1885 kB)467 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 1885 kBChecksumma SHA-512
e866e546806faf329bc622d1512086e933ac3c35f642bf425acbdd23177d5610e8d1ee242e11093235d0d5d4d5ea7974e3ec25dbb2e59bcc3d4d423c8ed144e5
Typ fulltextMimetyp application/pdf

Av organisationen
Institutionen för informationsteknologi
Teknik och teknologier

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 467 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 327 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • 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