آناليز و بررسي خصوصيات كاربران مرتبط به توييت هاي ويروس ابولا

Analysis and review user profiles for Ebola virus tweets

شبكه اجتماعي امروزه به يكي از مراكز تبادل اطلاعات كلي در سراسر دنيا تبديل‌ شده است و براي افراد با فرهنگ‌هاي مختلف در جنسيت‌هاي با سنين متفاوت را فراهم مي‌كند كه داراي جذابيت‌هاي خاص خودش است. با گسترش اينترنت و استفاده روزافزون از آن در جهت ارائه و يا كسب اطلاعات، شاهد حجم انبوهي از اطلاعات هستيم كه تحت عنوان افزونگي اطلاعاتي مطرح مي‌گردد. در اين ميان دسترسي سريع و صحيح به منابع مهم و موردعلاقه، يكي از دغدغه‌هاي استفاده‌كنندگان از اين منبع اطلاعاتي بسيار بزرگ است. در اين ميان آنچه از اهميت فوق‌العاده‌اي برخوردار است ارائه راه‌كارهايي براي آناليز حجم عظيم اطلاعاتي و استفاده بهينه از اطلاعات است. اشتراك نظرات، علايق و سليقه هاي مردم در شبكه هاي اجتماعي باعث شده است تا داده كاوي اين نظرات براي سازمان ها، افراد و نهاد هاي دولتي از اهميت ويژه برخوردار باشد. با داده كاوي رسانه اجتماعي توييتر به آناليز كاربران توييتر پرداختيم و براي كشف بيشترين عناوين در پروفايل كاربران از الگوريتم تخصيص پنهان ديريكله با LDA بهره گرفته شد. در اين پژوهش كاربران توييتر را به 5 دسته سازمان ها، خبر گذاري ها، دانشمندان، مشاهير و افراد عادي تقسيم كرديم و خصوصيات هر كدام را به طور جداگانه مورد بررسي قرار داديم.

The social network today has become one of the global information exchange centers around the world and provides for people of different cultures in different age segments that have their own particular attractions. By expanding the Internet and increasing use of it to provide or gain access to information, we are seeing a huge amount of information that is called information redundancy. In the meantime, the rapid and accurate access to important and useful resources is one of the concerns of users of this vast information source. Whats really important here is providing solutions for analyzing large volumes of information and the optimal use of information. The sharing of the opinions, interests and tastes of people on social networks has made data mining these views important for organizations, individuals and government agencies. We analyzed twitter users using Twitter social media data mining and used the Dirichlet Dedicated Assignment Algorithm LDA to find the most titles in the user profile. In this study, we divided Twitter users into 5 categories of organizations, news organizations, scientists, celebrities and ordinary people and examined each other separately.