Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Detection of disaster events via monitoring of social media

Chasapas Konstantinos

Simple record


URIhttp://purl.tuc.gr/dl/dias/78F16AAE-40B3-49F9-89CC-950F3B0DD51B-
Identifierhttps://doi.org/10.26233/heallink.tuc.82311-
Languageen-
Extent102 pagesen
TitleDetection of disaster events via monitoring of social mediaen
TitleΑνίχνευση καταστροφικών συμβάντων μέσω παρακολούθησης κοινωνικών δικτύων el
CreatorChasapas Konstantinosen
CreatorΧασαπας Κωνσταντινοςel
Contributor [Thesis Supervisor]Lagoudakis Michailen
Contributor [Thesis Supervisor]Λαγουδακης Μιχαηλel
Contributor [Committee Member]Chalkiadakis Georgiosen
Contributor [Committee Member]Χαλκιαδακης Γεωργιοςel
Contributor [Committee Member]Zervakis Michailen
Contributor [Committee Member]Ζερβακης Μιχαηλel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Electrical and Computer Engineeringen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
Content SummaryIn our days, the use of social media platforms has gained a lot of popularity. A large number of messages are posted everyday on media, such as Twitter. These messages could possibly be used for monitoring real-world events. However, twitter streams contain a large number of meaningless messages and useless content, which may have a negative effect on the monitoring and successful event detection performance. Monitoring and analyzing this rich and continuous user-generated content can yield unprecedentedly valuable information, enabling users and organizations to acquire actionable knowledge. This thesis proposes techniques for natural disaster detection and report by monitoring social media streams. The main task is to use Twitter as a sensor and investigate the data it provides in order to detect and locate a dangerous natural disaster. The detection of such events is attempted by the employment of methods from Natural Language Processing, Machine/Deep Learning and an innovative hybrid combination of the best approaches among the various choices we analyzed (for text representation: Bag of Words, Global Vectors; for text classification: Naive Bayes, Logistic Regression, Random Forest, Decision Tree, Bagged Decision Tree, AdaBoost, Deep Neural Network, Long-Short Term Memory). Finally, our work proposes a spatio-temporal investigation as part of the whole pipelined system to report detected catastrophic events. As a result, the proposed system has been applied with success to Twitter data from 2012 and 2015. The data were referring to two different past disaster events (Nepal earthquake, Hurricane Patricia) and one event not related to disaster (USA presidential election 2012). This system managed to detect both the place and the time of each disaster and confirmed that there is no disaster in the case of the USA elections.en
Content SummaryΣτις μέρες μας, η χρήση των μέσων κοινωνικής δικτύωσης έχει κερδίσει πολλή δημοτικότητα. Ένας μεγάλος αριθμός μηνυμάτων δημοσιεύονται καθημερινά σε κοινωνικά δίκτυα, όπως το Twitter. Αυτά τα μηνύματα θα μπορούσαν ενδεχομένως να χρησιμοποιηθούν για την παρακολούθηση πραγματικών γεγονότων. Ωστόσο, οι ροές του Twitter περιέχουν μεγάλο αριθμό ανούσιων μηνυμάτων και άχρηστο περιεχόμενο, γεγονός που μπορεί να έχει αρνητικές επιπτώσεις στην απόδοση της παρακολούθησης και της επιτυχούς ανίχνευσης γεγονότων. Η παρακολούθηση και η ανάλυση αυτού του πλούσιου και συνεχούς περιεχομένου που παράγουν οι χρήστες μπορεί να αποδώσει πρωτοφανώς πολύτιμες πληροφορίες, επιτρέποντας σε χρήστες και οργανισμούς να αποκτήσουν γνώσεις που μπορούν να συνδεθούν με δράσεις. Η παρούσα διπλωματική εργασία προτείνει τεχνικές για την ανίχνευση και καταγραφή φυσικών καταστροφών παρακολουθώντας ροές κοινωνικών μέσων δικτύωσης. Ο κύριος στόχος είναι να χρησιμοποιηθεί το Twitter ως αισθητήρας και να διερευνηθούν τα δεδομένα που παρέχει για να ανιχνευθεί και να εντοπιστεί μια επικίνδυνη φυσική καταστροφή. Η ανίχνευση τέτοιων συμβάντων επιχειρείται με την εφαρμογή μεθόδων από την Επεξεργασία Φυσικής Γλώσσας, τη Μηχανική/Βαθιά Μάθηση και έναν καινοτόμο υβριδικό συνδυασμό των καλύτερων προσεγγίσεων μεταξύ των διαφόρων επιλογών που αναλύσαμε (για την αναπαράσταση κειμένων: Bag of Words, Global Vectors - για την ταξινόμηση κειμένων: Naive Bayes, Logistic Regression, Random Forest, Decision Tree, Bagged Decision Tree, AdaBoost, Deep Neural Network, Long-Short Term Memory). Τέλος, η εργασία μας προτείνει μια χωροχρονική διερεύνηση ως μέρος της διαδικασίας διαδοχικής επεξεργασίας στο σύστημα για την αναφορά καταστροφικών γεγονότων που εντοπίζονται. Ως αποτέλεσμα, το προτεινόμενο σύστημα εφαρμόστηκε με επιτυχία σε δεδομένα του Twitter από το 2015 από δύο διαφορετικά γεγονότα καταστροφών του παρελθόντος (σεισμός του Νεπάλ, τυφώνας Patricia) και κατάφερε να ανιχνεύσει τόσο τον τόπο, όσο και τον χρόνο κάθε καταστροφής.​​​​​​​el
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2019-06-28-
Date of Publication2019-
SubjectEvent detectionen
SubjectNatural language processingen
SubjectMachine Learningen
SubjectDeep Learningen
SubjectEvent Predictionen
Bibliographic CitationKonstantinos Chasapas, "Detection of disaster events via monitoring of social media", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2019en
Bibliographic CitationΚωνσταντίνος Χασαπάς, "Ανίχνευση καταστροφικών συμβάντων μέσω παρακολούθησης κοινωνικών δικτύων ", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2019el

Available Files

Services

Statistics