Αρχική
Πλοήγηση
Επιστημονικό πεδίο
Ημερομηνία
Συγγραφέας
Χώρα
Γλώσσα
Ίδρυμα
Σχετικά με το ΕΑΔΔ
Κατάθεση Διατριβής
Συχνές Ερωτήσεις
Κέντρο Υποστήριξης Χρηστών
Επικοινωνία
Ανοικτά Δεδομένα
Είσοδος
Εγγραφή
Ξέχασα τον κωδικό
 
A- A0 A+ | EN
3

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

Πλαίσιο αρχιτεκτονικής σημασιολογικού ιστού για την ενσωμάτωση αισθητήρων κοινωνικής δικτύωσης και αισθητήρων υλικού

Περίληψη

Η ποσότητα της πληροφορίας που παράγεται σήμερα από τους χρήστες των μέσων Κοινωνικών Δικτύωσης (Social Media) έχει ξεπεράσει κάθε προσδοκία. Σε πλατφόρμες όπως το Facebook και το Twitter, οι χρήστες δρουν συχνά ως «αισθητήρες», πραγματοποιώντας ποικίλες «μετρήσεις» που καταγράφουν έναν εντυπωσιακό όγκο από δεδομένα για το περιβάλλον τους ή ακόμα και για τους ίδιους. Αυτοί οι «Αισθητήρες Κοινωνικής Δικτύωσης» (Social Sensors) είναι εξαιρετικά χρήσιμοι σε πληθώρα επιστημών (π.χ. ηλεκτρονική υγεία, διατροφή & άσκηση, κοινωνικές επιστήμες) ιδιαίτερα όταν συνδυάζονται με δεδομένα από κλασσικούς αισθητήρες υλικού (Hardware Sensors). Παρ' όλα αυτά, τα δεδομένα ενός Social Sensor είναι, κατά κύριο λόγο, μη δομημένα, κυμαινόμενης αξιοπιστίας και χωρίς τις απαραίτητες αλυσίδες προέλευσης (provenance chains) που απαιτούνται για την ενοποίηση μεταξύ ετερογενών πηγών, την εξακρίβωση της ποιότητας και αξιοπιστίας της πληροφορίας, και την αξιοποίησή της. Οι τεχνολογίες Σημασιολογικού Ιστού (Semant ...
Η ποσότητα της πληροφορίας που παράγεται σήμερα από τους χρήστες των μέσων Κοινωνικών Δικτύωσης (Social Media) έχει ξεπεράσει κάθε προσδοκία. Σε πλατφόρμες όπως το Facebook και το Twitter, οι χρήστες δρουν συχνά ως «αισθητήρες», πραγματοποιώντας ποικίλες «μετρήσεις» που καταγράφουν έναν εντυπωσιακό όγκο από δεδομένα για το περιβάλλον τους ή ακόμα και για τους ίδιους. Αυτοί οι «Αισθητήρες Κοινωνικής Δικτύωσης» (Social Sensors) είναι εξαιρετικά χρήσιμοι σε πληθώρα επιστημών (π.χ. ηλεκτρονική υγεία, διατροφή & άσκηση, κοινωνικές επιστήμες) ιδιαίτερα όταν συνδυάζονται με δεδομένα από κλασσικούς αισθητήρες υλικού (Hardware Sensors). Παρ' όλα αυτά, τα δεδομένα ενός Social Sensor είναι, κατά κύριο λόγο, μη δομημένα, κυμαινόμενης αξιοπιστίας και χωρίς τις απαραίτητες αλυσίδες προέλευσης (provenance chains) που απαιτούνται για την ενοποίηση μεταξύ ετερογενών πηγών, την εξακρίβωση της ποιότητας και αξιοπιστίας της πληροφορίας, και την αξιοποίησή της. Οι τεχνολογίες Σημασιολογικού Ιστού (Semantic Web) μπορούν να χρησιμοποιηθούν για τη λύση αυτών των προβλημάτων, μετατρέποντας την πληροφορία σε μορφή που είναι καλύτερα κατανοητή και επεξεργάσιμη από την σύγχρονη τεχνολογία. Η διατριβή παρουσιάζει το SOSENS (SOcial SENSor) framework, μία αρχιτεκτονική που παρέχει ένα ενιαίο σημασιολογικό πλαίσιο για περιβάλλοντα Social Sensing, βασισμένο σε οντολογίες. Η βασική οντολογία (SOSENS) περιγράφει σημασιολογικά τους χρήστες ως αισθητήρες, επιτρέποντας την εύκολη ενοποίηση και σύγκριση της πληροφορίας. Επεκτάσεις όπως η οντολογία SOSENS-Trust προσφέρουν την εννοιολογική βάση για την περιγραφή διαδικασιών όπως ο υπολογισμός δεικτών αξιοπιστίας (trust) και φήμης (reputation). Το SOSENS framework, που υλοποιήθηκε στα πλαίσια της διατριβής, χρησιμοποιήθηκε και αξιολογήθηκε σε ένα περιβάλλον Ηλεκτρονικής Υγείας (e-health) όπου πληροφορία από Facebook Social Sensors συνδυάστηκε με πληροφορία από ψηφιακά βηματόμετρα Fitbit, με σκοπό την παρακολούθηση της φυσικής δραστηριότητας. Η χρήση του SOSENS framework συνέβαλλε στην αποτελεσματική συλλογή, ενοποίηση, ανάλυση και καταγραφή τόσο των δεδομένων των αισθητήρων όσο και των μεταδεδομένων προέλευσης και αξιοπιστίας. Η σημασιολογικά-πλούσια μορφή της παραγόμενης πληροφορίας διευκολύνει την επαναχρησιμοποίησή της και συμβάλλει στη δημιουργία διαλειτουργικών χώρων Social Sensing.
περισσότερα

Περίληψη σε άλλη γλώσσα

The amount of content that Social Media users produce nowadays is staggering. In Social Media platforms such as Facebook and Twitter, humans act implicitly as sensors, making observations about real-world events or themselves that are extremely varied. In a way, these users can be treated as Social Sensors: a source of self-reported data that resembles sensor observations about a particular event or property and is accompanied by a wealth of social metadata, both very useful to a variety of scientific disciplines (e.g. e-Health, nutrition & dietetics, social sciences), especially when integrated with data from traditional hardware sensors. Nevertheless, data from social sensors is mostly unstructured, untrusted and usually provided without the provenance chains that are required for assessing data quality, data integration and, eventually, decision making. Semantic Web technologies can play a beneficial role in this emerging area. This thesis presents the SOSENS (SOcial SENSor) framewo ...
The amount of content that Social Media users produce nowadays is staggering. In Social Media platforms such as Facebook and Twitter, humans act implicitly as sensors, making observations about real-world events or themselves that are extremely varied. In a way, these users can be treated as Social Sensors: a source of self-reported data that resembles sensor observations about a particular event or property and is accompanied by a wealth of social metadata, both very useful to a variety of scientific disciplines (e.g. e-Health, nutrition & dietetics, social sciences), especially when integrated with data from traditional hardware sensors. Nevertheless, data from social sensors is mostly unstructured, untrusted and usually provided without the provenance chains that are required for assessing data quality, data integration and, eventually, decision making. Semantic Web technologies can play a beneficial role in this emerging area. This thesis presents the SOSENS (SOcial SENSor) framework, an ontology-based solution which provides a “semantic scaffold” for Social Sensing spaces. The basic ontology (SOSENS) combines several well-established ontologies to describe humans as Sensors on Social Media in a systematic manner, bringing them to the same semantic level as a Hardware Sensor and allowing the integration of the two when needed. Extensions, in the forms of ontologies such as SOSENS-Trust, provide the groundwork for describing other aspects of Social Sensing spaces, such as Social Sensor data quality and trust. The framework was evaluated in the NutriHeAl e-Health project, where self-reported physical activity from Facebook Social Sensors is combined with Fitbit Digital Pedometers in order to track physical activity as well as calculate data quality and user trust. Using the framework, the semantically-rich data of this complex sensing space was efficiently collected, integrated, analysed and stored along with clear provenance & attribution metadata of all the actors & processes involved. SOSENS improves information quality, fosters reusability and creates interoperable social sensing spaces for the Web 3.0 era.
περισσότερα
Διαβάστε τη διατριβή (Online)
Κατεβάστε τη διατριβή σε μορφή PDF (8.74 MB)  (Η υπηρεσία είναι διαθέσιμη μετά από δωρεάν εγγραφή)

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/40061
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/40061
ND
40061
Εναλλακτικός τίτλος
Integrating social and hardware sensors: a semantic web framework for social sensing environments
Συγγραφέας
Πάγκαλος, Ιωάννης (Πατρώνυμο: Γεώργιος)
Ημερομηνία
2017
Ίδρυμα
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (ΑΠΘ). Σχολή Πολυτεχνική. Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Εξεταστική επιτροπή
Πέτρου Λουκάς
Κάτσικας Σωκράτης
Weal Mark
Χασάπης Γεώργιος
Βακάλη Αθηνά
Ηλιούδης Χρήστος
Συμεωνίδης Ανδρέας
Επιστημονικό πεδίο
Φυσικές Επιστήμες ➨ Επιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική
Λέξεις-κλειδιά
Κοινωνικά δίκτυα; Σημασιολογικός ιστός; Αισθητήρες; Ηλεκτρονική υγεία
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
178 σ., εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)
Μία μοντελοστρεφής προσέγγιση για την αυτοματοποίηση της προσομοίωσης SysML μοντέλων συστημάτων
Τεχνοοικονομική ανάλυση δικτύων επόμενης γενιάς
Μέθοδοι αποθήκευσης υδρογόνου σε προηγμένα υλικά
ΜΕΘΟΔΟΛΟΓΙΑ ΑΝΑΛΥΣΗΣ ΤΗΣ ΒΙΟΜΗΧΑΝΙΚΗΣ ΠΑΡΑΓΩΓΙΚΟΤΗΤΑΣ
Ανάλυση συναισθήματος και γνώμης
ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΣΤΗΝ ΑΝΑΛΥΣΗ ΤΗΣ ΕΚΛΟΓΙΚΗΣ ΣΥΜΠΕΡΙΦΟΡΑΣ
Πρόβλεψη συμπεριφοράς και αστοχιών νανοδομών με υπολογιστικές διαδικασίες
Διαχείριση καινοτομίας στην ανάπτυξη νέων υπηρεσιών
Ανάπτυξη ενός ευφυούς συστήματος υποστήριξης αποφάσεων για τη σύνθεση και διαχείριση χαρτοφυλακίου
Πληροφοριακά συστήματα για την υποστήριξη λήψης επιχειρηματικών αποφάσεων στον τουρισμό
"Πλαίσιο αρχιτεκτονικής σημασιολογικού ιστού για την ενσωμάτωση αισθητήρων κοινωνικής δικτύωσης και αισθητήρων υλικού"
Πληκτρολογήστε το κείμενο της εικόνας!
λιγότερα
περισσότερα