Modelos de inferência de localização de residência para usuários do foursquare

Página do item simplificado
dc.creatorMichelle Hanne Soares de Andrade
dc.date.accessioned2019-08-11T17:06:21Z
dc.date.accessioned2025-09-09T01:24:03Z
dc.date.available2019-08-11T17:06:21Z
dc.date.issued2016-09-26
dc.identifier.urihttps://hdl.handle.net/1843/ESBF-AEFJE5
dc.languagePortuguês
dc.publisherUniversidade Federal de Minas Gerais
dc.rightsAcesso Aberto
dc.subjectComputação
dc.subjectRedes sociais on-line
dc.subjectProbabilidades
dc.subjectFoursquare
dc.subjectDireito a privacidade
dc.subject.otherredes sociais online
dc.subject.otherprivacidade
dc.subject.otherinferência
dc.subject.otherFoursquare
dc.subject.otherresidência
dc.titleModelos de inferência de localização de residência para usuários do foursquare
dc.typeDissertação de mestrado
local.contributor.advisor1Jussara Marques de Almeida
local.contributor.referee1Clodoveu Augusto Davis Junior
local.contributor.referee1Marcos Andre Goncalves
local.description.resumoVivenciamos uma época em que tudo que acontece está nas redes sociais online, sejam eventos cotidianos ou de grandes proporções. Este trabalho propõe diferentes modelos de inferência de localização de residência de usuários a partir de dados públicos compartilhados no Foursquare. Foram propostos diferentes modelos de inferência, que exploram as coordenadas geográficas, incluindo dados sobre as redes de amizade. A avaliação experimental mostrou que em comparação com os modelos de referência, os propostos atingem melhores resultados, com ganhos de até 12,17% de acurácia. Em particular, um dos modelos propostos que explora a combinação de vários classificadores (modelo Híbrido) inferiu corretamente a cidade de residência de mais de 4 bilhões de usuários e obteve uma acurácia de 68,07%. Em granularidades como bairro, obtivemos uma acurácia média de até 66,20% e na granularidade de coordenadas geográficas, obtivemos uma acurácia de 65,47%.
local.publisher.initialsUFMG

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
michellehannesoaresdeandrade.pdf
Tamanho:
5.97 MB
Formato:
Adobe Portable Document Format
Baixar

Coleções

Pós-Graduação em Ciência da Computação - Dissertações

Logo UFMG