Author Keywords ACM Classification Keywords
INTRODUÇÃO
WAIHCWS’16 was held as part of IHC’16, organized by the Brazilian Computing Society (SBC). October 04, 2016, São Paulo/SP, Brazil.
Copyright 2016 © for this paper by its authors. Permission to make digital or hard copies of all or part of this work for personal or classroom use is granted for private and academic purposes. apenas visv eis no mundo real, mas tambØm observadas os pases, mostrando que as diferenas ulturais nªo sªo et al. [4℄ estudaram variaı es de uso do Twitter entre no Twitter. mostrando diferenas onsiderÆveis nas preferŒn ias entre os pases om ulturas distintas. Gar ia-Gavilanes
Anais do 7º Workshop sobre Aspectos da Interação Humano-Computador para a Web Social (WAIHCWS’16)
DESCRIÇÃO DOS DADOS
tem oito semanas, mas algumas delas provavelmente nªo impa to nos resultados onsiderando ada semana de D2 individualmente. Esse tamanho da janela em parti ular Lembre-se de que D1 tem uma semana ompleta, D3 tem representam todos os dados que poderiam ser oletados. trŒs semanas ompletas, que estªo ontidas em D2 que IMPACTO DO TAMANHO DA JANELA DE OBSERVAÇÃO tendem a ser onsideravelmente piores. isto Ø, uma janela pequena de observaªo para apturar a rotina de usuÆrios, tal omo a semana 6, os resultados
Anais do 7º Workshop sobre Aspectos da Interação Humano-Computador para a Web Social (WAIHCWS’16) ANÁLISES ADICIONAIS
Descrição das Análises 1 0.8 ade0.6 cluMsetesrms oqsue ird usando D1 la0.4 i k=4 im0.2 k=2 S
k=10 0 0 2 4 6
Semana 1 0.8 e d a0.6 d i r la0.4 i k=3 im0.2 k=2 S k=10 0 0 2 4 6
Semana 8 8 8
Avaliando AA1 mos o noemero de he k-ins realizados em ada lo al; AA1: nesta anÆlise o vetor de preferŒn ias dos usuÆrios • onsidera apenas os tipos de lo ais (sub ategorias de lugares) apresentados em ada idade. Nªo onsiderapao denido pelos omponentes prin ipais identi ados. em AA1 e AA2, des onsiderando a dimensªo temporal. para obter os seus omponentes prin ipais. Finalmente, Ns realizamos essa anÆlise para Æreas que representam apresentado na Seªo 4. Em suma, agora representamos pases, idades e regiıes. Para esta anÆlise onsideramos ada Ærea por um vetor de preferŒn ia omo des rito a Em seguida, apli amos a tØ ni a PCA a esses vetores O resto da metodologia ontinua da mesma forma omo usamos o algoritmo para agrupar Æreas no es- k-means apenas o dataset D3. Noemero de grupos (k) caa1,D3 0,34 k = 10 0,39 k = 3 0,32 k = 10 Noemero de grupos (k) caa1,D3 Pases o dataset D3) e usando AA1. O ndi e Ø gerado para todos 0,57 k = 2 0,5 k = 2 Noemero de grupos (k) caa1,D3 Cidades 0,39 k = 4 0,18 k = 7 os tipos de Æreas e valores onsiderados. k 0,56 k = 2 en ontrados usando a metodologia original ( onsiderando 0,31 k = 10 Regiıes Table 2. ˝ndi e de similaridade de grupo entre os grupos
grupo entre todos os resultados obtidos onsiderando a metodologia original. onsiderados. Como podemos ver, os resultados para AA1 tambØm sªo muito distintos daqueles obtidos om pases, onsiderando todos os valores de obtidos om k, Ø obtido para todos os tipos de Æreas e valores de k AA1 om a metodologia original usando o dataset D3, gerando entªo omo mostra a Tabela 2. O ndi e caa1,D3, ndi e de similaridade de grupo en ontrado onsiderando fazer o es olhido, resultando em grupos muito dife- k WVS Ø: caa1,wvs = 0, 18. rentes dos observados onsiderando o WVS. De fato, o ontendo um pas ada. Esses agrupamentos sªo pratios grupos para e os grupos en ontrados para o k = 7 amente sele ionados aleatoriamente apenas para satisFigure 2. Resultados de agrupamento para idades usando AA2 para e onsiderando D3. k = 4 melhor Æreas distintas ulturalmente. resultados obtidos om a metodologia original separam utilizando a metodologia de [16℄ somos mais propensos a metodologia original. AlØm disso, a metodologia original tende a agrupar regiıes dentro da mesma idade meobtidos utilizando a metodologia original. Apesar disso, a similaridade elevada nªo Ø sempre obtida. AlØm disso, resultados om AA2 sªo mais semelhantes om aqueles Mos ou e Osa a, fato que nªo Ø observado usando a Este nªo Ø o aso para idades e regiıes, asos em que os omum. Por exemplo, usando AA2 para Figura k = 4, lhor do que om AA2. Esta Ø outra indi aªo de que os obter resultados que sªo esperados de a ordo om o senso 2, Londres foi agrupada om Bangkok, T quio, Manila, agrupamento muito baixa. um pas, o resultado insatisfatrio para esta abordagem Ø preferŒn ias tendem a ser zero, tornando a qualidade do de lugares (em nosso vetor de preferŒn ia) para todos os esperado, pois Ø provÆvel que en ontremos todos os tipos pases. Por esta razªo, as distn ias de ada vetor de Como ns tendemos a ter muitos dados representando
Anais do 7º Workshop sobre Aspectos da Interação Humano-Computador para a Web Social (WAIHCWS’16) Avaliando AA2
Figure 3. Resultados de agrupamento para regiıes usando a metodologia original para o dataset D1 e on- (k = 3) siderando somente a lasse Bebida.
LND1 NY7 TKO9 ip TKO6 c LND5 irn−0.4 P LND3 LND2 º LND6 −0.6 2 −0.5 0 0.5 1 1º Principal Componente
NY4 NY1 TKO1 TKO7 te NY6 NY2 TKO2 ne 0.2 NY3 NY5 TKO5 n o LND4 TKO3 pm 0 NY8 TKO8 TKO4 o C la−0.2
0.4