| 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 compreenderá uma componente escrita, na forma de duas frequências (F1 e F2). Haverá também um trabalho prático (TP) obrigatório a realizar ao longo do semestre, com limite de entrega no final do semestre. Os alunos serão ainda avaliados pela seu trabalho nas aulas práticas, ao longo do semestre (AC).
Deste modo, a classificação por frequência (CF) é calculada ponderando as classificações obtidas nas três componentes enunciadas anteriormente:
CF = 30% F1 + 30% F2 + 30% TP + 10% AC
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 da seguinte forma:
CF = 70% Exame + 30% TP.
|
|
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
|