seminario twitter dynamics

TWITTER DYNAMICSAdquisición, procesado y visualización de datos

Roberto [email protected]

@rmaestrem

F. Javier [email protected]

@fjavieralba

@paradigmalabs

ÍNDICE

IntroducciónAPI Twitter

Adquisición y persistencia de datosConceptos básicos sobre grafos

Visualización en Gephi y GraphStreamCasos de uso

INTRODUCCIÓN

INTRODUCCIÓNArquitectura

INTRODUCCIÓN¿Qué es twitter?

Es una red social basada en microblogging

Red social porque puedo elegir a

quien seguir y que información crear o

retransmitir.

Microblogging porque solo puede postear un texto con un tamaño máximo de 140

carácteres.

INTRODUCCIÓN

#hashtag

@mención

url.by/

INTRODUCCIÓNAlgunos números

*** http://blog.twitter.com/2011/03/numbers.html

250 Millones de tweets enviados de media cada día (Octubre 2011) *

460.000 nuevas cuentas abiertas por día (de media en 2010) ***

Incremento del 186 % de usuarios móviles en 2010 ***

100 Millones de usuarios activos estimados (Septiembre 2011) **

* http://techcrunch.com/2011/10/17/twitter-is-at-250-million-tweets-per-day/

** http://techland.time.com/2011/09/09/twitter-reveals-active-user-number-how-many-actually-say-something/

INTRODUCCIÓN

INTRODUCCIÓNCasos de estudio interesantes

Predicción de valores de bolsa (Down Jones Industrial Average) correlacionado con análisis de sentiment de tweets (Bollen et al. 2011).

En Achrekar et al. (2011) se muestra una alta correlación (en datos almacenados entre los años 2009 y 2010) entre el número de tweets relacionados con la gripe y el numero de casos reales.

Una línea de investigación abierta por el DARPA llamada Topic Detection and Tracking research (1996).

INTRODUCCIÓNCasos de estudio interesantes

Spotinfluence.com

API DE TWITTER

INTRODUCCIÓN

Herramienta de acceso a todos los datos del ecosistema Twitter : Tweets, Retweets, Hashtags, Usuarios, ... etc

Para empezar a experimentar, sólo necesitamos conocimientos básicos sobre HTTP y JSON

INTRODUCCIÓN

• REST API

• Search API

• Streaming API

Consumo puntual de datos

Búsquedas

Consumo masivo de datos

REST API

• Tweets / retweets

• Followers y Friends

• Mensajes directos

• Listas

• ...

Consulta y creación de:

REST APIhttps://api.twitter.com/1/trends/766273.json

REST API

• La API limita la frecuencia a la que podemos realizar peticiones

• Algunos métodos requieren autenticación via OAuth => Límite va contra el usuario autenticado (350 requests/hora)

• Otros pueden ser invocados anónimamente => Límite va contra la IP (150 requests/hora)

¿Cuanta información puedo obtener?

API RESTAlgunos ejemplos sencillos

Obtener listas en las que se ha incluído a un

usuario

Obtener la red de followers de un

usuario

REST API

import requestsimport jsonimport sys

user_lists = []max_pages = 5next_cursor = -1

for i in range(0, max_pages): url = 'https://api.twitter.com/1/lists/memberships.json?screen_name=%s&cursor=%s' % (sys.argv[1], next_cursor) content = requests.get(url).content data = json.loads(content) next_cursor = data['next_cursor']

for list_data in data['lists']: name = list_data['name'] uri = list_data['uri'] description = list_data['description'] user_lists.append("%s (%s): %s" % (name, uri, description))

for l in user_lists: print l

Limitamos páginas de resultados para evitar baneos

Método lists/memberships

Paginación

listas en las que está un usuario

REST APIif __name__ == "__main__": # USER # obtain main user info main_user_name = sys.argv[1] main_user_info = obtain_users_info(screen_names=[main_user_name])[0]

follower_network = { 'nodes' : {}, 'edges': [] } follower_network['nodes'][main_user_name] = main_user_info

try: traverse_followers(main_user_name, follower_network, 1, MAX_RECURSION_LEVEL) except RateLimitReachedError as e: print "Ooops! we reached the rate limit!!! Follower Network will not be complete." except: print "Some error occurred!. We will go on with the current Follower Network!"

generate_tsv(follower_network, main_user_name, 1) generate_dot(follower_network, main_user_name, 0)

Hash donde almacenamos el grafo

Ficheros de salida

Red de followers de un usuario

REST APIdef traverse_followers(user_name, follower_network, recursion_level, max_recursion_level): check_rate_limit() # retrieve up to MAX_IDS user followers: url = 'https://api.twitter.com/1/followers/ids.json?screen_name=%s&cursor=-1' % user_name content = client.get(url).content data = {} try: data = json.loads(content) except: print 'Error! rate limit?' return

if 'error' in data: print 'Error: %s' % data['error'] return

followers_ids = data['ids'][:MAX_IDS]

#obtain info for each follower (in batches of 100) for i in range(0, len(followers_ids), 100): id_group = followers_ids[i:i+100] followers_info = obtain_users_info(ids = id_group) if followers_info is not None: for follower_info in followers_info: follower_name = follower_info['screen_name'] #add node info (if not exists yet) if follower_name not in follower_network['nodes']: follower_network['nodes'][follower_name] = follower_info #add edge follower_network['edges'].append((follower_name, user_name)) follower_network['nodes'][user_name]['indegree'] += 1 if recursion_level < max_recursion_level: traverse_followers(follower_name, follower_network, recursion_level+1, max_recursion_level)

Obtener followers IDs

REST APIdef obtain_users_info(ids = [], screen_names=[]): check_rate_limit() result = [] #transform ids into strings: ids = map(lambda x: str(x), ids) string_ids = ','.join(ids) screen_names = ','.join(screen_names) url = 'https://api.twitter.com/1/users/lookup.json?' if string_ids and screen_names: url += 'user_id=%s&screen_name=%s' % (string_ids, screen_names) elif string_ids: url += 'user_id=%s' % string_ids else: url += 'screen_name=%s' % screen_names print url content = client.get(url).content data = json.loads(content) if 'error' in data: print 'Error: %s' % data['error'] return for user_info in data: relevant_info = { 'screen_name' : user_info['screen_name'], 'profile_image_url': user_info['profile_image_url'], 'followers_count': user_info['followers_count'], 'indegree' : 0 } result.append(relevant_info) return result

Obtener info detallada de cada

follower

REST API

En el ejemplo almacenamos un hash en memoria con toda la información de la red

Persistimos estos datos en el formato más conveniente para luego visualizarlos: JSON, grafo .DOT, documento en MongoDB ...etc.

Ejemplo “de juguete”: una aplicación real requiere un diseño más elaborado: cache de llamadas, manejo de errores, balanceo de IPs/usuarios...

SEARCH API

SEARCH API

Búsqueda de tweets recientes por palabras clave, nombres de usuario, hashtags...

Lenguaje de queries básico con operadores

#dataviz OR #visualization:

http://search.twitter.com/search.json?q=%23dataviz%20OR%20%23visualization&rpp=100&page=1

¿Para qué sirve?

STREAMING API

• Para un consumo masivo de datos, REST API no es suficiente

• Streaming API es un "chorro" (firehose) de información, cercana al tiempo real, que normalmente filtraremos por algún criterio (hashtag, usuario...)

• Si no filtramos, no obtendremos el 100% del stream de Twitter sino un muestreo del 1% aprox. (es posible obtener más información estableciendo acuerdos con Twitter)

¿Por qué Streaming?

STREAMING API

curl -d "track=SOPA" https://stream.twitter.com/1/statuses/filter.json -u[USER]:[PASSWD]

• Abrir una conexión con autenticación y mantenerla abierta.

• Procesar el flujo de datos recibido

Ejemplo simple:

¿Cómo usarla?

RADIOGRAFÍA DE UN TWEET{ "possibly_sensitive": false, "in_reply_to_screen_name": null, "text": "Feeling for students today. Time to prise those unused library cards from your wallets. #wikipediablackout #SOPA #PIPA. ur1.ca/7jygq", "in_reply_to_user_id_str": null, "geo": null, "retweeted": false, "in_reply_to_user_id": null, "contributors": null, "source": "<a href=\"http://www.tweetdeck.com\" rel=\"nofollow\">TweetDeck</a>", "entities": { "user_mentions": [], "hashtags": [ { "text": "wikipediablackout", "indices": [ 88, 106 ] }, { "text": "SOPA", "indices": [ 107, 112 ] }, { "text": "PIPA", "indices": [ 113, 118 ] } ], "urls": [ { "indices": [ 120, 132 ], "url": "ur1.ca/7jygq", "expanded_url": null } ] }, "place": null, "in_reply_to_status_id": null, "id_str": "159589359589408768", "truncated": false, "user": { "profile_background_image_url": "http://a3.twimg.com/profile_background_images/347782654/year_one_wp.jpg", "show_all_inline_media": true, "follow_request_sent": null, "profile_link_color": "038543", "url": "http://www.youtube.com/xboxuk", "followers_count": 755, "profile_image_url": "http://a2.twimg.com/profile_images/78950744/meforweb_normal.jpg", "default_profile_image": false, "statuses_count": 7004, "time_zone": "London", "profile_background_color": "ACDED6", "description": "Xbox LIVE Assistant Producer, EMEA. Views are mine own and open to lucrative sponsorship. All comic/game geeks should visit my side project: KapowGames.com", "contributors_enabled": false, "profile_background_tile": true, "favourites_count": 21, "location": "Camden, London", "lang": "en", "profile_sidebar_fill_color": "F6F6F6", "screen_name": "Deanways", "verified": false, "notifications": null, "profile_background_image_url_https": "https://si0.twimg.com/profile_background_images/347782654/year_one_wp.jpg", "friends_count": 2002, "profile_sidebar_border_color": "000000", "protected": false, "id_str": "15864765", "listed_count": 11, "following": null, "name": "Dean Samways", "is_translator": false, "profile_use_background_image": true, "created_at": "Fri Aug 15 16:49:51 +0000 2008", "id": 15864765, "default_profile": false, "geo_enabled": true, "utc_offset": 0, "profile_text_color": "333333", "profile_image_url_https": "https://si0.twimg.com/profile_images/78950744/meforweb_normal.jpg" }, "retweet_count": 0, "favorited": false, "id": 159589359589408770, "created_at": "Wed Jan 18 10:54:03 +0000 2012", "in_reply_to_status_id_str": null, "coordinates": null}

Un Tweet contiene mucha información

Sólo usamos los campos que nos interesan para nuestro procesado y visualización

RADIOGRAFÍA DE UN TWEET

"text": "RT @damiano10: RAMSS 2012 : 1st International Workshop on Real-Time Analysis and Mining of Social Streams: http://t.co/AhUGF5Pf""id": 159683309528547330,"created_at": "Wed Jan 18 17:07:22 +0000 2012","user": {

"followers_count": 84,"location": "Madrid and Barcelona","screen_name": "paradigmalabs","name": "Paradigma Labs","id_str": "249695469",}

"retweeted_status": {"user": {

"screen_name": "damiano10","location": "Madrid, España","followers_count": 95,"id_str": "132646210", }}

Algunos campos interesantes

ADQUISICIÓN

Hemos visto ejemplos “de juguete”

Casos de Uso reales

Cuando se necesita una adquisición a mayor escala, se incrementa la complejidad y se requiere una infraestructura mayor

Actualmente tenemos una arquitectura de adquisición en Twitter con 20 servidores dedicados

API DE TWITTERPara profundizar...

Mining the Social Web

Matthew A. Russel

21 Recipes for Mining Twitter

Matthew A. Russel

PERSISTENCIA

PERSISTENCIA DE DATOSDónde

Paradigma noSQL con MongoDB y Spring Data

http://www.parleys.com/#st=5&id=2737

Leonardo Menezes y Miguel Olivares

from pymongo import Connectionimport requestsimport json

# Database configurationport = 0000conn = Connection(’host’, port)db = conn.twittercoll = db.trends

url = ’https://api.twitter.com/1/trends/1.json’content = requests.get(url).contentdata = json.loads(content)

for tt in data[0][’trends’]: coll.save(tt)

PROCESADO DE DATOSCómo

from pymongo import Connectionimport datetime

# Database configurationport = 0000conn = Connection(’host’, port)db = conn.twittercoll = db.nolesvotes

# Date rangestart = datetime.datetime(2011, 5, 16, 0, 0, 0)end = datetime.datetime(2011, 5, 16, 23, 59, 59)condition = {’created_at’: {’$gte’: start, ’$lt’:end}}

for item in coll.find(condition).sort([("created_at", True)]): # Do something print item

PERSISTENCIA DE DATOS

#libya Conflicto en Libia: Febrero 2011, 200.000 tweets#nolesvotes Revolución en España: Abril-Agosto 2011, 800.000 tweets

#ows + #15oct Revolución Global: Octubre 2011, 6 Millones de tweets#20n Generales en España, Noviembre 2011, 4 Millones de tweets

#christmas Estudio emocional sobre la Navidad: Diciembre 2011, 10 Millones de tweets#sopa Ley Sopa y Sinde, Enero 2012, 500.000 tweets hasta la fecha

Algunos números de casos reales

CONCEPTOS SOBRE GRAFOS

CONCEPTOSModelar una red

A = {{u1, u2}, {u1, u3}, {u2, u3}, {u4, u2}, {u4, u5}, {u5, u2}, {u5, u4}}

V = {u1, u2, u3, u4, u5}

CONCEPTOSMedir en una red

Ma =

2

66664

0 1 1 0 00 0 1 0 00 0 0 0 00 1 0 0 10 1 0 1 0

3

77775

In(i) =nX

c=0

Ma[i, c]

Out(i) =nX

f=0

Ma[f, i]

CONCEPTOS

CONCEPTOS no solo Indegree y Outdegree ...

http://networkx.lanl.gov/

Algorithms• Bipartite• Centrality• Chordal• Clique• Clustering• Communities• Components• Cores• Cycles• Directed Acyclic Graphs• Distance Measures• Distance-Regular Graphs• Eulerian• Flows• Graphical degree sequence• Isolates• Isomorphism• Link Analysis• Minimum Spanning Tree• Products• Shortest Paths

VISUALIZACIÓN EN GEPHI

GEPHI

• Herramienta interactiva de visualización y exploración de redes y grafos hecha en JAVA

• Es Open Source y multiplataforma

• “Photoshop for Data”

GEPHI

• Facilita el trabajo de Análisis de datos con:

• Layouts predefinidos y configurables

• Cálculo de métricas sobre redes

• Filtrado de nodos en base a atributos

• Clustering

• “Data Laboratory”

• Plug-ins

GEPHI

• Vamos a visualizar la red de followers que generamos en el ejemplo anterior (REST API)

• Para ello se persistieron los datos en un formato entendible por Gephi (en este caso .DOT)

Ejemplo de Uso

VISUALIZACIÓN GRAPHSTREAM


¿Qué es Graph Stream?

Es una librería en JAVA para el manejo de grafos dinámicos y estáticos.

Hospedado en la Universidad de Le Havre.

Mantenida por miembros del grupo de investigación RI2C .

Tres librerias: Core, Algo y UI.

VISUALIZACIÓN GRAPHSTREAMCaracteristicas importantes

Podemos configurar “el aspecto” de los grafos de la misma manera que un CSS puede modificar el aspecto

de un HTML.


Podemos configurar “el aspecto” de los grafos de la misma manera que un CSS puede modificar el aspecto

de un HTML.

graph.addAttribute("ui.stylesheet", "graph { fill-‐color: red; }");

node.addAttribute("ui.style", "fill-‐color: rgb(0,100,255);");

graph { fill-‐color: red;}node { size: 10px, 15px; shape: box; fill-‐color: green; stroke-‐mode: plain; stroke-‐color: yellow;}


Podemos crear un video a partir de la generación de imagenes del grafo.

OutputPolicy outputPolicy = OutputPolicy.BY_ELEMENT_EVENT; OutputType type = OutputType.JPG; Resolution resolution = Resolutions.HD720;

// Start output images FileSinkImages fsi = new FileSinkImages( "/tmp/img", type, resolution, outputPolicy); fsi.setRenderer(RendererType.SCALA); fsi.setLayoutPolicy( LayoutPolicy.COMPUTED_IN_LAYOUT_RUNNER );

// Set quality output fsi.setQuality(Quality.HIGH); fsi.setStyleSheet("graph { padding: 50px; fill-color: black; }");

// Link output with graph g.addSink(fsi);


Algunos ejemplos

Visualizar los

followers de un

usuario.

Visualizar los followers de un

usuario y mostrar este numero implícito en el

tamaño del nodo



tamaño del nodo y añadir las

imagenes de los usuarios.


Algunos ejemplos

Visualizar los

followers de un

usuario.


Algunos ejemplos



tamaño del nodo


Algunos ejemplos



tamaño del nodo y añadir las

imagenes de los usuarios.


Código

// Create graphGraph g = new DefaultGraph("g");

// Display in real time consoleg.display(true);

// Set some quality paramsg.addAttribute("ui.antialias");g.addAttribute("ui.quality");g.addAttribute("ui.stylesheet",

"graph { fill-color: black; }");


Código

public static void addNode(Graph g, String nodeLabel, double size, String url){ if (g.getNode(nodeLabel) == null){ if (size < 0.0) size = 1.0; g.addNode(nodeLabel);

Node n = g.getNode(nodeLabel); size = size * 2.0; System.out.println("=> "+size); String shape = "rounded-box"; if (size > 20.0) shape = "cross"; n.addAttribute("ui.style" , String.format("size: %spx, %spx; fill-color: #3d5689;

shape: %s; text-size: %s; stroke-mode: plain; stroke-color: yellow; text-color:white;",20, 20, "circle", size/2));

n.setAttribute("label",nodeLabel); } }


Código

public static void addEdge(Graph g, String from, String to, double weight){ if (g.getNode(from) != null && g.getNode(to) != null &&

g.getEdge(from+to) == null && g.getEdge(to+from) == null){

g.addEdge(from+to, from, to, true);

Edge e = g.getEdge(from+to);

if (weight < 0.0) weight = 1.0;

e.addAttribute("ui.style" , String.format("fill-color: #3d5689; size: %s;", weight)); } }


Código

public static void changeNode(Graph g, String nodeLabel, double size){ if (g.getNode(nodeLabel) != null){

if (size < 0.0) size = 2.0;

Node n = g.getNode(nodeLabel);

String shape = "rounded-box"; if (size > 20.0){ shape = "cross"; }

n.addAttribute("ui.stylesheet" , String.format("size: %spx, %spx;shape: %s; text-size: %s; ", size, size, shape, size/2));

} }

CASOS DE USO

CASO DE USO 1Identificación de influenciadores en una red

from pymongo import Connection import datetime

# Database configurationconn = Connection(‘host’, 000000)db = conn.twittercoll = db.nolesvotes

# Search conditionsstart = datetime.datetime(2011, 5, 16, 18, 0, 0)end = datetime.datetime(2011, 5, 16, 18, 59, 59)cond = {’retweeted_status’: {’$exists’: True} , ’created_at’: {’$gte’: start, ’$lt’:end}}

# Variable to save the network structurenetwork = ’’# Perform searchfor item in coll.find(cond).sort([("created_at", True)]): network += ’\t%s -> %s\n’ % (item[’user’][’screen_name’] ,

item[’retweeted_status’][’user’][’screen_name’])# Save data into a filefile_out = file(’/tmp/retweet_network.dot’ , ’w’)file_out.write(’digraph G{\n%s}’ % network)file_out.close()

CASO DE USO IIAgrupando hashtags con MI*

rt @coriano2323: acampadabcn - plaça catalunya, http://bit.ly/ikkkaa #acampadasol #spanishrevolution #15mani #nolesvotes rt @ximicomix: rt @lexdubia rt @ma 20:00 en sol. convocatoria ciudadana. pasalo. #acampadasol #spanishrevolution #nolesvotes rt @megasuavi: comunicación horizontal usar #meneame para difundir todo sobre #acampadasol y #nolesvotes adio a los grandes rt @abelokeponemos: un apoyo a todos los que han llevado la #spanishrevolution con muchisimo ánimo! (: recordad... #nolesvotes

{#acampadasol, #spanishrevolution, #15mani, #nolesvotes, #meneame}

Mi =

2

66664

0 3.66 2.41 6 2.413.66 0 2.41 6 02.41 2.41 0 2 06 6 2 0 2

2.41 0 0 2 0

3

77775

F = {3, 3, 1, 4, 1}

*(Chart K. et all 1998)

I(X;Y ) =

X

x2X

X

y2Y

p(x, y) ⇤ log✓

p(x, y)

p(x)p(y)

◆

CASO DE USO IIAgrupando hashtags con MI*

Geolocalización de tweets

http://labs.paradigmatecnologico.com/2011/12/19/15th-october-on-twitter-global-revolution-mapped/

Mutual Information with time component

estamos investigando/desarrollando ...

Estudio de las distintas topologias de red y su dinámicasen el tiempo

Métricas para la detección de influenciadores por dominio

Detección de emergencia con Fuzzy hashtags

... como visualizar todo esto?

estamos investigando/desarrollando ...

... como visualizar todo esto?

Smart Offices: Internet de las cosas aplicadas a crear el ambiente óptimo de trabajo utilizando Arduino

TwitterMaps. Mapa interactivo para entender twitter día a día con Processing

API pública de análisis de texto: NER, contexto basado en grafo semántico de Wikipedia y Sentiment Analysis.

Desarrollo de herramientas enfocadas al periodismo de datos

Harshavardhan Achrekar, Ross Lazarus, and West Cummings Park. Predicting Flu Trends using Twitter Data. Architecture, pages 702–707, 2011.

Ron Bekkerman and Koby Crammer. One-class clustering in the text domain. Proceedings of the Conference on Empirical Methods in Natural Language Processing - EMNLP ’08, page 41, 2008. doi: 10.3115/1613715.1613722. URL http://portal.acm.org/citation.cfm?doid=1613715.1613722.

Johan Bollen, Huina Mao, and Xiao-jun Zeng. Twitter mood predicts the stock market. Journal of Computational Science, pages 1–8, 2011. URL http://www.sciencedirect.com/science/article/ pii/S187775031100007X.

B Bollobás. Modern Graph Theory, volume 184 of Graduate Texts in Mathematics. Springer, 1998. ISBN 0387984887. doi: 10.1234/12345678. URL http://www.springer.com/math/numbers/book/ 978-0-387-98488-9.

Francine Chen, Ayman Farahat, and Thorsten Brants. Multiple similarity measures and source-pair information in story link detection. In Proceedings of the 2nd Human Language Technology Conference of the North American Chapter of the Association for Computational Linguistics, Boston, MA, USA, pages 313–320, 2004. URL http://acl.ldc.upenn.edu/hlt-naacl2004/main/pdf/18_Paper.pdf.

Thomas M J Fruchterman and Edward M Reingold. Graph drawing by force-directed placement. Soft- ware Practice and Experience, 21(11):1129–1164, 1991. ISSN 00380644. doi: 10.1002/spe.4380211102. URL http://doi.wiley.com/10.1002/spe.4380211102.

Bruce Hendrickson and Robert Leland. A multilevel algorithm for partitioning graphs. In Proceedings of the 1995 ACM/IEEE conference on Supercomputing (CDROM), page 28. ACM, 1995. URL http://dl.acm.org/citation.cfm?id=224228.

REFERENCIAS

Yoshihiro Kawano, Yoshito Kishimoto, and Tatsuhiro Yonekura. A Prototype of Attention Simulator on Twitter. 2011 14th International Conference on Network-Based Information Systems, pages 173– 177, September 2011. doi: 10.1109/NBiS.2011.51. URL http://ieeexplore.ieee.org/lpdocs/ epic03/wrapper.htm?arnumber=6041919.

Stephen G Kobourov. Force-Directed Drawing Algorithms. University of Arizona, 2004. ISBN 0849385970.

Eldar Sadikov and M.M.M. Martinez. Information Propagation on Twitter. CS322 Project Report, 2009. URL http://snap.stanford.edu/class/cs224w-2010/proj2009/TwitterWriteup_Sadikov.pdf.

Maksim Tsvetovat and Alexander Kouznetsov. Social Network Analysis for Startups. Oreilly & Associates Inc, 2011. ISBN 9781449306465. URL http://books.google.com/books?hl=en& lr=&id=Tn-L5WoCeygC&oi=fnd&pg=PR3&dq=Social+Network+Analysis+for+ Startups&ots=SS7Zs6D9wb&sig=A0oZKZ_bBlXNnSjyZmf3vI6HAkM.

Zhiheng Xu, Long Ru, Liang Xiang, and Qing Yang. Discovering User Interest on Twitter with a Mod- ified Author-Topic Model. 2011 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology, pages 422–429, August 2011. doi: 10.1109/WI-IAT.2011.47. URL http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=6040707.

Yuto Yamaguchi, Toshiyuki Amagasa, and Hiroyuki Kitagawa. Tag-based User Topic Discovery Using Twitter Lists. 2011 International Conference on Advances in Social Networks Analysis and Mining, pages 13–20, July 2011. doi: 10.1109/ASONAM.2011.58. URL http://ieeexplore.ieee.org/ lpdocs/epic03/wrapper.htm?arnumber=5992580.

Hua Zhao. Applying Dynamic Co-occurrence in Story Link Detection. Journal of Computing and Information Technology, pages 157–164, 2009. ISSN 1330-1136. doi: 10.2498/cit.1001104. URL http://cit.zesoi.fer.hr/browsePaper.php?paper=1104.

REFERENCIAS

Liyong Zhao, Chongchong Zhao, Jingqin Pang, and Jianyi Huang. Sensitive Topic Detection Model Based on Collaboration of Dynamic Case Knowledge Base. 2011 IEEE 20th International Workshops on Enabling Technologies: Infrastructure for Collaborative Enterprises, pages 156–161, June 2011. doi: 10.1109/WETICE.2011.29. URL http://ieeexplore.ieee.org/lpdocs/epic03/wrapper. htm?arnumber=5990044.

REFERENCIAS

Muchas gracias

Para cualquier duda, sugerencia o colaboración

Roberto [email protected]

@rmaestrem

F. Javier [email protected]

@fjavieralba

@paradigmalabs