| Código |
14728
|
| Ano |
2
|
| Semestre |
S1
|
| Créditos ECTS |
6
|
| Carga Horária |
PL(30H)/T(30H)
|
| Área Científica |
Informática
|
|
Tipo de ensino |
Presencial.
|
|
Estágios |
Não aplicável.
|
|
Objectivos de Aprendizagem |
Estudo de conceitos fundamentais da tecnologia envolvida nas redes sociais, com especial interesse na comunicação, gestão e extração da informação. Extração de conhecimento de redes sociais ("Social Intelligence").
O crescente fenómeno das redes sociais virtuais (Web 2.0) é um dado incontornável e cada vez mais relevante no âmbito do processamento automático da informação. Até 2017, o número de utilizadores crescia consistentemente a cada ano (150 milhões/ano), aproximando-se rapidamente dos 2000 milhões de utilizadores. Em 2022 temos 4700 milhões (59%) de utilizadores das redes sociais! Perante esta realidade implacável, importa estudar, por um lado, os princípios e tecnologias envolvidas nas redes sociais, e por outro, explorar o vastíssimo repositório de dados e conhecimento que estes “ecossistemas” comportam.
|
|
Conteúdos programáticos |
Parte I — Conceitos, Tecnologia e Fundamentos
1. Introdução e caracterização da evolução e estado atual das redes sociais;
2. Tecnologias de Acesso e Manipulação de Informação:
2.1. Revisão/Consolidação de linguagens de trabalho: Java, Python, JavaScript;
2.2. Estudo de APIs/SDKs das principais redes sociais, tais como "Twitter", "Facebook", "Google+", LinkedIn, entre outras;
Parte II — Prospecção de Conhecimento em Redes Sociais
1. Introdução à prospecção de dados ("Data Mining")
2. Aglomeração de dados ("Data Clustering")
3. Prospecção de Texto ("Text Mining")
3.1. Texto e linguagem humana
3.2. Técnicas de manipulação inteligente de texto:
3.2.1. Indexação de documentos
3.2.2. Similaridade e aglomeração de documentos
3.2.3. Deteção de relevância em documentos
4. Noções de grafos e aglomeração de dados;
4.1. Prospecção de Grafos Sociais:
4.2. Medidas de Centralidade
4.3. Deteção de Comunidades
|
|
Metodologias de Ensino e Critérios de Avaliação |
A avaliação por frequência compreende uma prova escrito (PE) e um conjunto de seis atividades (A6T) a realizar ao longo do semestre. Isto representa uma cadência de uma atividade por cada duas semans. Cada um das atividades vale 1 valor da nota final. O teste escrito vale 14 valores (70%). Deste modo, a classificação por frequência (CF) é calculada ponderando as classificações obtidas nas atividades com a classificação da prova escrita: CF= 70%PE+30%A6T.
No caso de CF < 6 valores o aluno ficará não admitido a exame, reprovando à unidade curricular. Se CF = 9.5 o aluno dispensa a realização de exame. Caso vá a exame contará sempre a melhor classificação final. A classificação em exame (CE) é calculada exclusivamente a partir da classificação obtida neste: CF = 100% CE
|
|
Bibliografia principal |
Hawker, M., (2011). "The Developer's Guide to Social Programming - Building Social Context Using Facebook, Google Friend Connect, and Twitter API". Pearson Education. ISBN:978-0-32-68077-8
Kumar, S., Morstatter, F., and Liu, H. (2013). "Twitter Data Analytics". Springer Verlag. ISBN:978-1-4614-9371-6
Lutz, M., (2013). "Learning Python, 5th Edition". O'Reilly. ISBN: 978-1449355739
Russel, M., (2019). "Mining the Social Web", 3rd Edition. O'Reilly. ISBN: 978-1491985045
Steven Bird, S., Klein, E., and Loper, E., (2009). "Natural Language Processing with Python". O'Reilly. ISBN: 063-6920516491
Zafarani, R., Abbasi, M., and Liu, H., (2014). "Social Media Mining". Cambridge University Press. ISBN: 9781107018853
|
| Língua |
Português
|