本文介绍了一种基于神经网络的层级位置预测模型，通过对用户所在国家和城市的层级结构进行考虑，并采用基于字符的词嵌入层来处理噪声数据，在不同特征组合设定下达到了最优结果，提高了预测精度并显著降低了均值误差距离。

Oct, 2019

提出了一种基于自适应网格的基于文本的方法和基于混合网络 - 文本方法相结合的方法，这两种方法在三个 Twitter 数据集上都取得了最先进的结果，特别是在用户图不充分连接的情况下，混合方法表现更好。

Jun, 2015

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

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

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

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

本文介绍了一种用于 Reddit 社交媒体平台地理定位推断的方法，设计了一种文本启发式模式用于生成 Reddit 用户的地理位置标签，进而进行训练并测试了几种在数据集和 Twitter 数据集上的地理定位模型，结果表明在同一领域训练和应用的地理定位模型比跨域的模型表现更好，尤其是在 Reddit 上，平台特定的兴趣组元数据可以用于提高推断效果。

Oct, 2018

本文提出了一个基于神经网络的简单且有效的基于文本的用户地理定位模型，其在三个 Twitter 基准地理定位数据集上实现了最先进的性能，并且在隐藏层中生成词和短语嵌入，我们展示了这些嵌入有助于检测方言术语。作为我们方言术语分析的一部分，我们发布了一个评估方言术语检测方法的 DAREDS 数据集。

Apr, 2017

该论文介绍了一个利用 Twitter 用户聚合的方法来构建社区级别模型，可以有效的准确预测人口相关，包括人口统计、健康和心理预测等四个不同领域的结果（例如，可以将用于预测收入中位数的皮尔逊相关系数从 0.73 提升到 0.82）。

Aug, 2018

本文提出了基于图卷积网络的多视角地理定位模型 GCN，使用文本和网络上下文，并在三个基准地理定位数据集上与最先进技术和两个基准进行了比较，当有足够的监督时，GCN 可以达到或与最先进技术竞争。此外，我们在最少监督情况下评估 GCN，并表明它优于基准。我们发现，高速公路网络门对于控制 GCN 中有用邻域扩展的数量至关重要。

Apr, 2018