ClustTour: Εκατομμφρια φωτογραφίεσ μασ ταξιδεφουν ψθφιακά ςτον κόςμο

Μερικά νοφμερα

• 5,000,000,000 εικόνεσ ςτο (Σεπ. 2010)

• Μόνο το Σαββατοκφριακο τθσ Πρωτοχρονιάσ ανζβθκαν 750,000,000 φωτογραφίεσ ςτο

• Η εφαρμογι ξεπζραςε τον αρικμό των 2,000,000 χρθςτϊν μζςα ςε δφο μινεσ.

Ο κρυμμζνοσ πλοφτοσ

Το Πρόβλημα

00100101

00100101

00100101

00100101

00100101

00100101

00100101

00100101

00100101

0010010100100101

001001011010

1010

1010

1010

1010

1010 1010

1010

10101010

1010

1010

1010 1010

1010

1010

1010

1010

1010

00100101

00100101

00100101

00100101

00100101

00100101

00100101

00100101

00100101

0010010100100101

001001011010

1010

1010

1010

1010 1010

1010

10101010

1010

1010

1010 1010

1010

1010

1010

1010

1010

1010

1010

1010

1010

1010

10101010

1010

1010

1010

1010

1010

= Υπζρογκα ποςά πλθροφορίασ+ Μθ ςχετικό περιεχόμενο (κόρυβοσ)

Άλλα παραδείγματα

Ομαδοποίηςη (Clustering)

event

landmark

ClustTour

Η ε

φα

ρμ

ογή

Η ε

φα

ρμ

ογή

Η ε

φα

ρμ

ογή

Η Θεςςαλονίκη μζςα από το ClustTour

Σενάριο Ι

• Θζλω να ταξιδζψω ςτθν πόλθ Χ• Γριγορθ επιςκόπθςθ του χάρτθ:

(α) Περιοχζσ με ςθμεία ενδιαφζροντοσ(β) Περιοχζσ που γίνονται εκδθλϊςεισ (ςυναυλίεσ, κλπ.)

• Τί να δω?– Γριγορθ επιςκόπθςθ των ςθμείων ενδιαφζροντοσ και επιλογι με

βάςθ το τί μου φαίνεται ενδιαφζρον – Για κάκε ςθμείο ενδιαφζροντοσ βλζπω τα κοντινά ϊςτε να ςυνδυάςω

επιςκζψεισ.

• Τι κερδίηω?– Τα ςθμεία ενδιαφζροντοσ προκφπτουν αυτόματα με βάςθ τα

ενδιαφζροντα των χρθςτϊν (και όχι κάποιου ςυντάκτθ)– Στα ςθμεία ενδιαφζροντοσ περιζχονται και πιο «ψαγμζνα» ςθμεία

που οι κλαςικοί οδθγοί πόλθσ δεν περιζχουν– Η ςυλλογι και οργάνωςθ των δεδομζνων γίνεται ςχεδόν

αυτόματα.

Σενάριο ΙΙ

• Είμαι υπεφκυνοσ τουριςτικισ προβολισ τθσ πόλθσ

• Ποια ςθμεία τθσ πόλθσ ςυγκεντρϊνουν μεγαλφτερθ επιςκεψιμότθτα?

• Ποια αξιοκζατα «ςυνδυάηουν» οι επιςκζπτεσ?

• Ποιεσ είναι οι περίοδοι/ϊρεσ υψθλισ επιςκεψιμότθτασ?

• Από ποιεσ χϊρεσ προζρχονται οι επιςκζπτεσ?

Στο μζλλον

• Μελλοντικζσ επεκτάςεισ: – Εμπλουτιςμόσ με εξωτερικζσ πθγζσ περιεχομζνου (π.χ.

Wikipedia, travel blogs)

– Εφαρμογι ςε real-time δεδομζνα

• Εφαρμογι ςε άλλουσ τομείσ: – Διαχείριςθ κρίςεων: ομαδοποίθςθ tweets ςε ςχζςθ με

γεγονότα ζκτακτθσ ανάγκθσ (πυρκαγιζσ, πλθμμφρεσ, κλπ.)

– Ηλεκτρονικι ςυμμετοχι ςε διακυβζρνθςθ: ομαδοποίθςθ από γνϊμεσ πολιτϊν, ςτατιςτικι ανάλυςθ/οπτικοποίθςθ αποτελεςμάτων

– Περιβάλλον/Πόλθ: Ομαδοποίθςθ και κατάταξθ προβλθμάτων (π.χ. από παράπονα πολιτϊν)

Η ομάδα

Συμεϊν ΠαπαδόπουλοσΣυνεργαηόμενοσ ερευνθτισ ΙΠΤΗΛΥποψιφιοσ διδάκτορασ ΑΠΘ

Χριςτοσ ΖιγκόλθσΣυνεργαηόμενοσ ερευνθτισ ΙΠΤΗΛΥποψιφιοσ διδάκτορασ ΑΠΘ

Κομπατςιάρθσ ΓιάννθσΕρευνθτισ Β’ Βακμίδασ ΙΠΤΗΛ

Ακθνά ΒακάλθΑναπλθρϊτρια Κακθγιτρια ΑΠΘ

Στζφανοσ ΚαπίρθσWeb developer, PALMOS ANALYSISΑπόφοιτοσ Μεταπτυχιακοφ ΠΣ ΑΠΘ

Ινςτιτοφτο Πλθροφορικισ & Τθλεματικισ, ΕΚΕΤΑ

Τμιμα Πλθροφορικισ, ΑΠΘ

www.clusttour.gr

http://twitter.com/clusttour

clusttour@gmail.com / papadop@iti.gr