Distribución de un analizador de contenido de Twitter utilizando el framework Hadoop Map-Reduce

Autores
Rodríguez, María Florencia
Año de publicación
2016
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En este trabajo presentamos la utilización de una plataforma distribuida para analizar diferentes estrategias de cómo crear perfiles de usuario en base a los intereses extraídos de los tweets. Estudiamos cómo esto beneficia el entendimiento de la semántica de las actividades de Twitter utilizándolos como motores para la recomendación de contenido y medimos los resultados en termino de tasa de error, exactitud y valor F. Luego proponemos crear perfiles de usuario combinando las estrategias planteadas con el fin de obtener un modelo más preciso. Para mejorar la eficiencia del cálculo dada la gran cantidad de datos , proponemos utilizar un entorno distribuido bajo un modelo de programación Map-Reduce con el objetivo de reducir los tiempos de análisis de información, al mismo tiempo que realizamos el procesamiento de texto en forma paralela.
Materia
Ingeniería de Sistemas y Comunicaciones
Procesamiento de Lenguaje Natural
minería de texto
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by/4.0/
Repositorio
CIC Digital (CICBA)
Institución
Comisión de Investigaciones Científicas de la Provincia de Buenos Aires
OAI Identificador
oai:digital.cic.gba.gob.ar:11746/5564
Acceder
id CICBA_5caf5dc751ae17e248afe66e3ea19f89
oai_identifier_str oai:digital.cic.gba.gob.ar:11746/5564
network_acronym_str CICBA
repository_id_str 9441
network_name_str CIC Digital (CICBA)
spelling Distribución de un analizador de contenido de Twitter utilizando el framework Hadoop Map-ReduceRodríguez, María FlorenciaIngeniería de Sistemas y ComunicacionesProcesamiento de Lenguaje Naturalminería de textoEn este trabajo presentamos la utilización de una plataforma distribuida para analizar diferentes estrategias de cómo crear perfiles de usuario en base a los intereses extraídos de los tweets. Estudiamos cómo esto beneficia el entendimiento de la semántica de las actividades de Twitter utilizándolos como motores para la recomendación de contenido y medimos los resultados en termino de tasa de error, exactitud y valor F. Luego proponemos crear perfiles de usuario combinando las estrategias planteadas con el fin de obtener un modelo más preciso. Para mejorar la eficiencia del cálculo dada la gran cantidad de datos , proponemos utilizar un entorno distribuido bajo un modelo de programación Map-Reduce con el objetivo de reducir los tiempos de análisis de información, al mismo tiempo que realizamos el procesamiento de texto en forma paralela.2016info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttps://digital.cic.gba.gob.ar/handle/11746/5564spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by/4.0/reponame:CIC Digital (CICBA)instname:Comisión de Investigaciones Científicas de la Provincia de Buenos Airesinstacron:CICBA2025-09-04T09:43:44Zoai:digital.cic.gba.gob.ar:11746/5564Institucionalhttp://digital.cic.gba.gob.arOrganismo científico-tecnológicoNo correspondehttp://digital.cic.gba.gob.ar/oai/snrdmarisa.degiusti@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:94412025-09-04 09:43:45.291CIC Digital (CICBA) - Comisión de Investigaciones Científicas de la Provincia de Buenos Airesfalse
dc.title.none.fl_str_mv Distribución de un analizador de contenido de Twitter utilizando el framework Hadoop Map-Reduce
title Distribución de un analizador de contenido de Twitter utilizando el framework Hadoop Map-Reduce
spellingShingle Distribución de un analizador de contenido de Twitter utilizando el framework Hadoop Map-Reduce
Rodríguez, María Florencia
Ingeniería de Sistemas y Comunicaciones
Procesamiento de Lenguaje Natural
minería de texto
title_short Distribución de un analizador de contenido de Twitter utilizando el framework Hadoop Map-Reduce
title_full Distribución de un analizador de contenido de Twitter utilizando el framework Hadoop Map-Reduce
title_fullStr Distribución de un analizador de contenido de Twitter utilizando el framework Hadoop Map-Reduce
title_full_unstemmed Distribución de un analizador de contenido de Twitter utilizando el framework Hadoop Map-Reduce
title_sort Distribución de un analizador de contenido de Twitter utilizando el framework Hadoop Map-Reduce
dc.creator.none.fl_str_mv Rodríguez, María Florencia
author Rodríguez, María Florencia
author_facet Rodríguez, María Florencia
author_role author
dc.subject.none.fl_str_mv Ingeniería de Sistemas y Comunicaciones
Procesamiento de Lenguaje Natural
minería de texto
topic Ingeniería de Sistemas y Comunicaciones
Procesamiento de Lenguaje Natural
minería de texto
dc.description.none.fl_txt_mv En este trabajo presentamos la utilización de una plataforma distribuida para analizar diferentes estrategias de cómo crear perfiles de usuario en base a los intereses extraídos de los tweets. Estudiamos cómo esto beneficia el entendimiento de la semántica de las actividades de Twitter utilizándolos como motores para la recomendación de contenido y medimos los resultados en termino de tasa de error, exactitud y valor F. Luego proponemos crear perfiles de usuario combinando las estrategias planteadas con el fin de obtener un modelo más preciso. Para mejorar la eficiencia del cálculo dada la gran cantidad de datos , proponemos utilizar un entorno distribuido bajo un modelo de programación Map-Reduce con el objetivo de reducir los tiempos de análisis de información, al mismo tiempo que realizamos el procesamiento de texto en forma paralela.
description En este trabajo presentamos la utilización de una plataforma distribuida para analizar diferentes estrategias de cómo crear perfiles de usuario en base a los intereses extraídos de los tweets. Estudiamos cómo esto beneficia el entendimiento de la semántica de las actividades de Twitter utilizándolos como motores para la recomendación de contenido y medimos los resultados en termino de tasa de error, exactitud y valor F. Luego proponemos crear perfiles de usuario combinando las estrategias planteadas con el fin de obtener un modelo más preciso. Para mejorar la eficiencia del cálculo dada la gran cantidad de datos , proponemos utilizar un entorno distribuido bajo un modelo de programación Map-Reduce con el objetivo de reducir los tiempos de análisis de información, al mismo tiempo que realizamos el procesamiento de texto en forma paralela.
publishDate 2016
dc.date.none.fl_str_mv 2016
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv https://digital.cic.gba.gob.ar/handle/11746/5564
url https://digital.cic.gba.gob.ar/handle/11746/5564
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by/4.0/
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:CIC Digital (CICBA)
instname:Comisión de Investigaciones Científicas de la Provincia de Buenos Aires
instacron:CICBA
reponame_str CIC Digital (CICBA)
collection CIC Digital (CICBA)
instname_str Comisión de Investigaciones Científicas de la Provincia de Buenos Aires
instacron_str CICBA
institution CICBA
repository.name.fl_str_mv CIC Digital (CICBA) - Comisión de Investigaciones Científicas de la Provincia de Buenos Aires
repository.mail.fl_str_mv marisa.degiusti@sedici.unlp.edu.ar
_version_ 1842340433981603840
score 12.623145

Publicaciones similares