Paper - Hogeschool Gent

Hoofdstuk 5. Resultaten 52
licht flink teruggeschroefd worden. Op die manier zou de classifier bijvoorbeeld periodiek
kunnen geüpdated worden met een nieuwe clustering. De tijd nodig voor het trainen van
de classifier is verwaarloosbaar in vergelijking met de clustertijd. De grootste trainingen
(bijvoorbeeld test 9 uit tabel 5.3 met 5000 documenten, goed voor bijna 30400 features)
gebeuren nog steeds in enkele seconden.
5.5 Clustering extra’s
Afgaande op enkele trefwoorden of de meeste typische documenten van een cluster, komen
verschillende andere thema’s naar voor. Tussen deze thema’s zitten zowel uitingen van
emoties zoals verdriet, frustratie en depressie, als ook opvattingen over recente nieuwsfeiten.
Zeker de vragen naar hulp of berichten die aangeven dat mensen het moeilijk hebben met
verwerken van een bepaalde gebeurtenis zijn nuttig voor de moderatoren van het sociaal
netwerk. Wat volgt zijn enkele voorbeelden van de aangehaalde thema’s en de bijhorende
trefwoorden van de clusters. De informatie werd gehaald uit een clustering van 300.000
documenten in 512 clusters. Een groot aantal clusters betekent immers dat meer thema’s
opgedeeld worden in een eigen cluster en dat het onderwerp duidelijker naar voor komt.
Wat opvalt, is hoe weinig variatie er soms zit tussen de verschillende berichten van één
cluster. De berichten worden dan ook zeer frequent gekopieerd en opnieuw online gezet
door de verschillende gebruikers van het sociaal netwerk.
Uitingen van droefheid en depressie. Vaak gaat het hier om berichten zonder veel
variatie.
Sleutelwoorden: verdriet, wanhoop, meisje
1. Ik zie een meisje met veel verdriet.
Ik wil haar helpen, maar spiegels praten niet.
2. ik zie een meisje met heel veel verdriet ik wil haar helpen
maar ik kan niet tegen spiegels praten :(
Omgaan met een sterfgeval.
Sleutelwoord: afscheid
1. Als ik naar het liedje ‘afscheid nemen bestaat niet’ luister, denk
ik altijd in mijn eigen waarom ik dan al zoveel afscheid heb moeten
nemen