Apr, 2014

利用总变差最小化对一亿个 Twitter 账户进行地理标记

PDF
TL;DR本研究提供了一种能够在公开可见的 Twitter 数据的基础上，准确地确定 Twitter 用户位置的方法。通过优化社交网络中的用户位置并检视他们好友的位置，本文提供了一种高可扩展性和可分布式的算法，并展示了如何利用用户的 ego 网络的地理离散度来作为准确性度量的参数。本文的实验结果表明，在 101,846,236 位 Twitter 用户的位置中，其中 80% 以上的公开推文地理标记的中位误差为 6.38 公里。
geotaggingtwitterlocationsocial mediaalgorithm
发现论文，激发创造
  • 使用定量信心推断推文的来源地

    本研究提出了一种基于高斯混合模型的可扩展内容分析的方法，用于估算推文的地理位置，并提出了精度、准确度和校准等度量标准，并实现了对全球 1300 万条 Tweet 的实验，得出了可靠的、与以前的计算密集型方法相媲美的结果。

    May, 2013

  • Twitter 上地理标记行为的大规模经验研究

    本文基于 Twitter 平台 4 万多亿条 tweet，对 geotagging 行为进行了实证研究。结果显示，用户群体之间的 geotagging 偏好各不相同；在用户资料中报告位置信息的用户更容易使用 geotags；用户在 geotagging 行为上存在明显的同质性倾向。

    Aug, 2019

  • 地理标记 Twitter 数据中的混淆和后果

    通过比较使用 GPS 坐标和用户自报位置不同的语言分析方法，研究表明不同年龄和性别的人对特定主题的写作风格有所不同，并给出了男性 40 岁以上的文本地理定位最准确的结果。同时，年龄和性别是影响语言使用的重要变量。

    Jun, 2015

  • Twitter 上位置推理技术调研

    本文回顾了 Twitter 用户位置推断技术的发展历程，探讨了地理位置信息获取和算法优化对准确性提升的积极影响，并强调了其在社交媒体、灾害监测、市场趋势研究等领域的广泛应用。

    Jan, 2017

  • Twitter 上位置预测的调查

    本文旨在调查推特中的地理位置预测问题和机遇，重点关注用户家庭位置、推文位置和提及位置的预测，并综述了当前各种策略的优点与缺点，同时也简要介绍了语义位置预测和兴趣点推荐两个相关问题。

    May, 2017

  • Twitter 中的地理位置和语言识别

    本文研究了三种自动语言识别方法与 Twitter 用户界面语言设置和语言人工编码之间的可靠性，比较了用户输入的个人资料位置与实际发推地点之间的不同，证明了用户生成的资料位置无法用作推特信息发布的有用代理。

    Aug, 2013

  • 多视角深度学习预测 Twitter 用户位置

    本文提出了一种名为 MENET (Multi-Entry Neural Network Architecture) 的深度学习模型，能够综合使用利用 Twitter 用户生成内容、用户间连接性以及元数据等多种数据表示方式进行 Twitter 用户地理位置预测，且在三个基准数据集上表现显著优于现有方法。

    Dec, 2017

  • 基于上下文信息推断推文来源地

    本文提出了一个简单而有效的模型，即真实来源模型，来解决 twitter 上的 “位置 A / B 问题”，该模型使用机器级自然语言理解来识别可能含有原始位置信息的推文，以达到国家，省市，乡镇和地区等级的有希望的准确性，并研究了多个推文的分布，以了解 Twitter 用户在提及原始和非原始位置方面的行为。

    Nov, 2022

  • 利用 BERT-Based 模型预测推文的地理位置

    使用神经网络、自然语言处理以及高斯混合模型，对推特文本中的地理位置进行预测，在全球范围以及美国范围内实验结果的中位误差分别小于 30 公里和 15 公里。

    Mar, 2023

  • 通过密度聚类和线索聚集技术发现地理相关的故事

    通过对社交媒体中的地理标记帖子进行全球性分析，本文介绍了一种检测城市中意外行为和通过帖子分析情况的方法。该方法使用了基于密度的聚类技术和自然语言处理技术，利用简单的硬件资源在不到一小时的时间内分析了纽约市长达七个月的 Instagram 数据，并且可以轻松适应其他地理标记数据源。

    Dec, 2023