Submitted by Marta Toyoda (1144061@mackenzie.br) on 2018-05-02T22:17:41Z
No. of bitstreams: 2
CRISTINA FÁTIMA CLARO.pdf: 1435369 bytes, checksum: 8be497c2e09310e9805b180de47c48d4 (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Paola Damato (repositorio@mackenzie.br) on 2018-05-04T16:05:24Z (GMT) No. of bitstreams: 2
CRISTINA FÁTIMA CLARO.pdf: 1435369 bytes, checksum: 8be497c2e09310e9805b180de47c48d4 (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2018-05-04T16:05:24Z (GMT). No. of bitstreams: 2
CRISTINA FÁTIMA CLARO.pdf: 1435369 bytes, checksum: 8be497c2e09310e9805b180de47c48d4 (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Previous issue date: 2018-02-15 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Fundação de Amparo a Pesquisa do Estado de São Paulo / Fundo Mackenzie de Pesquisa / Social media is full of unstructured data and content generated in a decentralized way, and it is possible to analyze these data to identify patterns or predict future events. The analysis of these data gives rise to social media mining, an area that uses data mining techniques to extract knowledge from social data. From how the user presents himself in social media, how he/she interacts, what he/she shares and posts, it is possible to analyze his/her behavior by assigning a virtual identity, called virtual persona, and, from the behavior of the virtual persona, to predict characteristics, such as the temperament. Temperament is a set of natural tendencies of the mind that is related to the processes of perceiving, analyzing and making daily decisions. This dis-sertation aims to identify the temperament of users (virtual personas) based on D. Keirsey’s model, who classifies the temperament in Artisan, Guardian, Idealist and Rational. As a result, an average accuracy of 88.37% was obtained for the SVM algorithm for the classification of temperaments for LIWC with 6-fold cross validation. / As mídias sociais possuem um grande volume de dados não estruturados e permitem a geração de conteúdo de forma descentralizada, sendo possível analisar estes dados para identificar padrões ou prever eventos futuros. A análise desses dados dá origem à mineração de mídias sociais, uma área que utiliza técnicas de mineração de dados para extrair conhecimentos de dados sociais. A partir de como o usuário se apresenta nas mídias sociais, a forma como interage, o que curte, compartilha e posta, é possível analisar seu comportamento atribuindo uma identidade virtual, chamada persona virtual e, a partir do comportamento da persona virtual, predizer características, como o seu temperamento. O temperamento é um conjunto de tendências naturais da mente que tem relação com os processos de perceber, analisar e tomar decisão no dia a dia. Esta dissertação teve como objetivo predizer o temperamento de usuários (personas virtuais) de acordo com o modelo de D. Keirsey, que classifica o temperamento em Artesão, Guardião, Idealista e Racional. Como resultado, obteve-se uma acurácia média de 88,37% com o algoritmo SVM com estruturação dos textos via LIWC e validação cruzada em 6-pastas.
Identifer | oai:union.ndltd.org:IBICT/oai:tede.mackenzie.br:tede/3589 |
Date | 15 February 2018 |
Creators | Claro, Cristina Fátima |
Contributors | Silva, Leandro Nunes de Castro, Silva, Leandro Augusto da, Pereira, André Luiz Vizine |
Publisher | Universidade Presbiteriana Mackenzie, Engenharia Elétrica, UPM, Brasil, Faculdade de Computação e Informática (FCI) |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | application/pdf |
Source | reponame:Biblioteca Digital de Teses e Dissertações do Mackenzie, instname:Universidade Presbiteriana Mackenzie, instacron:MACKENZIE |
Rights | http://creativecommons.org/licenses/by-nc-nd/4.0/, info:eu-repo/semantics/openAccess |
Page generated in 0.0019 seconds