Obtención del contexto social de opiniones obtenidas de redes sociales en la plataforma SLOD-BI

Abstract

Las redes sociales a día de hoy producen una enorme cantidad de datos. Centrándonos en Twitter, de la cual utilizaremos su API para recopilar información de su entorno, nos topamos en ella con una red social altamente masiva, con más de 140 millones de usuarios activos publicando unos 400 millones de tweets cada día. Esto abre un campo para la minería de datos inmensamente rico para explorar y extraer información valiosa. En este trabajo se implementa, siguiendo las pautas de la API de Twitter, un proceso de extracción de información para hacer uso del modelo SLOD-BI representando esta metainformación recogida mediante grafos. Se propone el análisis de los mismos como una herramienta muy poderosa para abordar y recoger conclusiones de alto valor, así como enfocar dichos análisis a un campo de estudio en particular. Con ello se arrojan líneas de trabajo a seguir y un cúmulo de aspectos de análisis para el campo de la ciencia de los datos. Este trabajo lidia con el mayúsculo tamaño en los datos así como su no estructuración, proponiendo el análisis de los mismos mediante grafos y el estudio de comunidades y subcomunidades. De este modo, se abren nuevas oportunidades para la minería de datos en redes sociales y su posterior análisis mediante herramientas como Knime y Gephi [5].

Social networks today produce an enormous amount of data. Focusing on Twitter, on which will use its API to collect information from their environment, we came into a highly massive social network, with over 140 million active users publishing 400 million tweets every day, opening a field for data mining immensely rich to explore and extract valuable information. The project presented is implemented following the guidelines of the Twitter API to make use of the SLOD-BI model by representing this meta information collected through graphs. This work has to deal with problems caused by the huge size of data, and by its unstructured nature. We propose the analysis of the data by graphs and the study of communities and sub-communities, providing new opportunities for data mining social networks and further analysis in tools such as KNIME and Gephi.