Course Syllabus

Export

Alla fine del corso, lo studente avrà appreso i principali concetti che stanno alla base della gestione dei dati originati nei media sociali (accesso, pre-processing, modellazione) e della loro successiva analisi. Lo studente sarà in grado, in particolare, di collezionare, processare e analizzare dati provenienti dai principali media sociali, utilizzando le tecnologie più adatte allo scopo. Sarà inoltre in grado di fornire una rappresentazione di strutture sociali complesse al fine di estrarne informazione utile.

  1. Introduzione al Web sociale e alla terminologia utilizzata;
  2. Il reperimento dei dati nei media sociali e problematiche connesse;
  3. La rappresentazione dei dati sociali mediante strutture sociali complesse (teoria dei grafi);
  4. Descrizione di problematiche di interesse (diffusione dell’informazione, credibilità);
  5. Analisi delle reti sociali;
  6. Analisi della soggettività, del “sentiment” e dell’ironia;
  7. Named-entity Recognition e Linking;
  8. Visualizzazione di dati provenienti da social media: problemi aperti e tecniche.

PRIMA PARTE

1. Introduzione

  • Introduzione al Web sociale e alla terminologia utilizzata: Web sociale, reti sociali, media sociali, contenuto generato dagli utenti.
  • Gli “oggetti informativi” sul Web sociale: 1) testi: post, blog, microblog, 2) immagini, 3) audio, 4) video.
  • Social Media Analytics: definizione e obiettivi, i concetti di auto-presentazione e auto-rivelazione.

2. Il reperimento dei dati nei media sociali

  • Le principali piattaforme, le interfacce di programmazione, il processo di crawling.
  • Pre-processing e memorizzazione di dati sociali.
  • Cenni di problematiche legali legate alla raccolta dei dati (il GDPR).

3. Il problema della rappresentazione dei dati sociali

  • Strutture dati elementari e complesse.
  • Rappresentazione di strutture sociali mediante grafi (teoria dei grafi, tipologie di reti, elementi di analisi delle reti: link analysis, web link analysis, misure di centralità).

4. Descrizione di alcune problematiche di interesse

  • Analisi dell’ evoluzione dell’informazione nel tempo.
  • Valutazione della credibilità dell'informazione online.

SECONDA PARTE

5. Analisi delle reti sociali

  • Network clustering: algoritmi di community detection.
  • Modelli di influenza e contagio nelle reti sociali.

6. Analisi di soggettività, “sentiment”, emozioni ed ironia

  • Lessici.
  • Modelli supervisionati e semi-supervisionati.
  • Tecniche di natural language processing.

7. Named-entity Recognition e Linking

  • Modelli grafico probabilistici per named entity recognition.
  • Metodi di linking: apprendimento vs retrieval.
  • Word Sense Disambiguation.

8. Visualizzazione di dati provenienti da social media: problemi aperti e tecniche

Conoscenza di base dei principi di algebra lineare, statistica, programmazione, database relazionali e NoSQL.

  • Lezioni
  • Esercitazioni
  • Laboratori
  • Il corso verrà tenuto in lingua inglese
  • Rahman, Md Saidur. Basic graph theory. Springer, 2017.
  • Reinhard Diestel. Graph Theory. Springer, 2017.
  • Suliman Hawamdeh, Hsia-Ching Chang. Analytics and Knowledge Management. CRC Press. 2018.
  • John Scott. Social Network Analysis. Sage, 2012.
  • Bing Liu. Sentiment Analysis and Opinion Mining. Morgan & Claypool. 2016.
  • Eneko Agirre, Philip Edmonds. Word Sense Disambiguation: Algorithms and Applications (Text, Speech and Language Technology). Springer. 2007.

Primo semestre

  • Prova scritta con esercizi e domande aperte.
    • La prova scritta ha come obiettivo la valutazione estensiva ed intensiva delle competenze teoriche e teorico-pratiche acquisite durante il corso.
  • Progetto di gruppo (con presentazione orale).
    • Il progetto ha come obiettivo la valutazione della capacità degli studenti di tradurre in ambiti applicativi reali le competenze acquisite durante il corso, attraverso lo sviluppo e l'impiego di soluzioni tecnologiche per l'analisi dei dati nei social media.

  • La prova scritta viene valutata su una scala da 0 a 24.
  • Gli studenti devono ottenere una valutazione maggiore o uguale a 12 nella prova scritta.
  • Il progetto, con relativa discussione orale, viene valutato su una scala da 0 a 9.

Il voto finale sarà dato dalla somma del voto ottenuto nell'esame scritto e dal voto relativo al progetto.

Su appuntamento:

  • Elisabetta Fersini (elisabetta.fersini@unimib.it)
  • Marco Viviani (marco.viviani@unimib.it)

Export
At the end of the course, the student will have learned the main concepts underlying the management of data originating in social media (access, pre-processing, modeling) and their subsequent analysis. The student will be able, in particular, to collect, process and analyze data from the main social media, using the most suitable technologies for the purpose. S/he will also be able to provide a representation of complex social structures in order to extract useful information.
  1. The Social Web: introduction and related terminology;
  2. Retrieving data in social media.
  3. Representing complex social data structures (graph theory and networks);
  4. Description of some open issues (information diffusion and credibility);
  5. Social Network Analysis;
  6. Subjectivity and sentiment analysis, irony detection;
  7. Named Entity Recognition and Linking;
  8. Visualization of social media data: open issues and techniques.

PART I

1. Introduction

  • The Social Web: introduction and related terminology: Social Web, Social Networks, Social Media, User-Generated Content (UGC).
  • Different classes of social “information objects”: 1) texts: posts, blogs, microblogs, 2) images, 3) audios, 4) videos.
  • Social Media Analytics: definition and objectives. The concepts of auto-presentation and auto-disclosure.

2. Retrieving data in social media

  • Main social platforms, Advanced Programming Interfaces (API)s, the “crawling” process.
  • Pre-processing and storing of social data.
  • Outline of legal issues related to data collection (the GDPR).

3. The social data representation issue

  • Elementary and complex data structures.
  • Representing social structures via a graph-based representation (graph theory, networks, network analysis: link analysis, web link analysis, centrality measures).

4. Description of some open issues

  • Information tracking over time.
  • Information credibility of online information.

PART II

5. Social Network Analysis

  • Network clustering: community-detection algorithms.
  • Influence and contagion in social media.

6. Subjectivity and Sentiment Analysis, Emotions and Irony detection

  • Lexicons.
  • Supervised e semi-supervised models.
  • Natural language processing techniques.

7. Named-entity Recognition and Linking

  • Probabilistic graphical models for named entity recognition.
  • Linking methods: learning vs retrieval.
  • Word Sense Disambiguation.

8. Visualization of social media data: open issues and techniques 

Basic knowledge of the principles of linear algebra, statistics, programming, relational databases, and NoSQL.

  • Lectures
  • Exercises
  • Laboratories
  • The course will be held in English
  • Rahman, Md Saidur. Basic graph theory. Springer, 2017.
  • Reinhard Diestel. Graph Theory. Springer, 2017.
  • Suliman Hawamdeh, Hsia-Ching Chang. Analytics and Knowledge Management. CRC Press. 2018.
  • John Scott. Social Network Analysis. Sage, 2012.
  • Bing Liu. Sentiment Analysis and Opinion Mining. Morgan & Claypool. 2016.
  • Eneko Agirre, Philip Edmonds. Word Sense Disambiguation: Algorithms and Applications (Text, Speech and Language Technology). Springer. 2007.

First semester

  • Written exam with exercices and open questions.
    • The written test aims at the extensive and intensive evaluation of the theoretical and theoretical-practical skills acquired during the course.
  • Group project (with oral presentation).
    • The project aims to assess students' ability to translate the skills acquired during the course into real application fields, through the development and use of technological solutions for analyzing social media data.

  • The written exam is assessed on a scale from 0 to 24. 
  • Students must obtain a grade of 12 or more in the written exam.
  • The project, with relative oral discussion, is evaluated on a scale from 0 to 9.

The final grade will be given by the sum of the evaluation obtained in the written exam and by the evaluation related to the project.

By appointment:

  • Elisabetta Fersini (elisabetta.fersini@unimib.it)
  • Marco Viviani (marco.viviani@unimib.it)


Enter

Key information

Field of research
INF/01
ECTS
6
Term
First semester
Activity type
Mandatory to be chosen
Course Length (Hours)
46
Language
English

Staff

    Teacher

  • EF
    Elisabetta Fersini
  • MT
    Maurizio Pietro Toccu
  • Marco Viviani
    Marco Viviani

Students' opinion

View previous A.Y. opinion

Bibliography

Find the books for this course in the Library

Enrolment methods

Manual enrolments