Exploring the Meaning behind Twitter Hashtags through Clustering

Abstract-What is happening around the world? When and where? Mining the geo-tagged Twitter stream makes it possible to answer the above questions in real-time. Although a single tweet can be short and noisy, proper aggregations of tweets can provide meaningful results. In this paper, we focus on hierarchical spatio-temporal hashtag clustering techniques. Our system has the following features: (1) Exploring events (hashtag clusters) with different space granularity. Users can zoom in and out on maps to find out what is happening in a particular area.(2) Exploring events with different time granularity. Users can choose to see what is happening today or in the past week. (3) Efficient single-pass algorithm for event identification, which provides human-readable hashtag clusters. (4) Efficient event ranking which aims to find burst events and localized events given a particular region and time frame. To support aggregation with different space and time granularity, we propose a data structure called STREAMCUBE, which is an extension of the data cube structure from the database community with spatial and temporal hierarchy. To achieve high scalability, we propose a divide-and-conquer method to construct the STREAMCUBE. To support flexible event ranking with different weights, we proposed a top-k based index. Different efficient methods are used to speed up event similarity computations. Finally, we have conducted extensive experiments on a real twitter data. Experimental results show that our framework can provide meaningful results with high scalability.

show abstract

“…Temporal merge (lines [8][9][10]. This method merges the newly generated small cubes into large cubes according to the time hierarchy.…”

Section: The Overall Frameworkmentioning

confidence: 99%

“…To the best of our knowledge, hashtag clustering has not been well studied. The most relevant work are [9] and [10]. However, both of them consider hashtags as static documents while our work deals with content-evolving hashtags.…”

Section: Introductionmentioning

confidence: 99%

STREAMCUBE: Hierarchical spatio-temporal hashtag clustering for event exploration over the Twitter stream

Feng

Zhang

et al. 2015

2015 IEEE 31st International Conference on Data Engineering

135

View full text Add to dashboard Cite

show abstract

“…For example [13,14] used the external semantic properties to cluster hashtags. [15,16] used the contextual sematic properties. [12] used a hybrid approach.…”

Section: Introductionmentioning

confidence: 99%

Sentiment Analysis of Social Media Micro Blogs using Power Links and Genetic Algorithms

Rokaya¹

2020

IJCA

View full text Add to dashboard Cite

In the current years, social media became one of the most important sources of data for different data analytic purposes. One of the most important issues is how to map different trends in social media and define the relation between different groups based on their sentiment or interests. In this paper, a two-phase approach is used for clustering a set of blogs. At the first phase, the approach builds a lexicon that provides the polarity of each word. In the second phase, the approach clusters the blogs bases on the polarity features and the Power Link features. The output of the second phase is used as the input of the first phase to get an improved lexicon. This process will continue in a loop between phase one and phase 2 till a stable set of clusters is gotten. The approach aims to develop a non-supervised cluster agent that can correctly cluster micro blogs and define different interests of different groups of people. The results of the approach are expressed in terms of precision, recall and F-measure.

show abstract

“…Muntean et al [44] agruparam hashtags em grupos semanticamente interconectados para decifrar o seu significado. O algoritmo de agrupamento utilizado foi o k-média e foram testados diversos valores de k para chegar ao melhor resultado.…”

Section: Agrupamento De Hashtags Do Twitterunclassified

“…Esse algoritmo foca na estrutura sintática das hashtags. Para melhorar o algoritmo e excluir a necessidade de prover os termos relacionados, o algoritmo poderia considerar a [44], que encontra os termos mais usados em tweets sobre um determinado tópico, pode ser usada para alcançar isso. Outra abordagem interessante é aplicar um algoritmo de agrupamento às hashtags co-ocorrentes mais comuns e encontrar os maiores agrupamentos.…”

Section: Trabalhos Futurosunclassified

Uma abordagem unificada para análise de sentimento de tweets com domínio específico

Ribeiro¹

View full text Add to dashboard Cite

A Deus, pois com Ele tudo é possível. A toda minha família. À minha mãe, por ser meu porto seguro e por ter me ensinado desde cedo a importância dos estudos para conquistar uma vida melhor. Ao meu pai, por sempre trabalhar e se dedicar muito para nos proporcionar uma vida confortável. À minha madrinha Duca, por sempre estar ao meu lado, como uma mãe. À minha irmã Juliana que, mesmo morando tão longe, me ajudou bastante durante esta pesquisa, corrigindo meus textos e me ajudando a rotular o sentimento dos tweets. Aos meus irmãos Joel e Marília, pela simples presença em minha vida. Às minhas sobrinhas Alice, Bruna e Júlia, por colorirem minha vida com risos e brincadeiras. Ao meu noivo Thiago Galvão Cavalcanti, por estar ao meu lado durante todo o mestrado, por todo incentivo, companheirismo e cumplicidade, além da ajuda com a revisão dos textos. Sua presença tornou minha vida mais doce e completa. Ao meu orientador Li Weigang, por acreditar na minha capacidade de pesquisa, buscando sempre as melhores oportunidades para o meu desenvolvimento, pela ajuda e pela paciência que teve comigo durante o desenvolvimento deste projeto. Aos demais professores e funcionários do programa de pós-graduação em Informática da Universidade de Brasília e aos Drs. Viorel Milea e Tiancheng Li pela participação nesta pesquisa. v Resumo Twitter é uma rede social online que permite que os usuários enviem e leiam mensagens curtas chamadas tweets. Em dezembro de 2014, o Twitter possuia mais de 500 milhões de usuários, dos quais mais de 284 milhões são usuários ativos, gerando aproximadamente 500 milhões de tweets todos os dias. O uso massivo de redes sociais online está atraindo atenção da academia e de empresas para o estudo da análise de sentimento, especialmente o Twitter, através da Análise de Sentimento de Tweets (AST). Essa análise proporciona insights sobre a opinião do público sobre vários tópicos, como política, notícias e produtos. Para executar AST eficientemente em um domínio específico, uma abordagem com uma ferramenta unificada é proposta. Essa abordagem possui quatro passos: coletar tweets relacionados ao domínio, identificar e excluir tweets que são spam, construir um léxico de sentimento específico para o domínio e analisar o sentimento dos tweets válidos. O léxico é um elemento chave que deve ser específico para domínio para poder incorporar expressões cujo sentimento varia de um domínio para outro. A ferramenta de AST proposta foi implementada e testada nos domínios 'iPhone 6 ' e 'cigarros eletrônicos' e obteve resultados convincentes nas quatro etapas, mostrando a superioridade de uma ferramenta de AST específica para domínio em relação a uma genérica.

show abstract

Exploring the Meaning behind Twitter Hashtags through Clustering

Cited by 21 publications

References 17 publications

STREAMCUBE: Hierarchical spatio-temporal hashtag clustering for event exploration over the Twitter stream

STREAMCUBE: Hierarchical spatio-temporal hashtag clustering for event exploration over the Twitter stream

Sentiment Analysis of Social Media Micro Blogs using Power Links and Genetic Algorithms

Uma abordagem unificada para análise de sentimento de tweets com domínio específico

Contact Info

Product

Resources

About