本文提出了一种基于神经网络模型和高斯分布混合的方法，用于将二维位置嵌入到连续向量空间中。该模型包括两个变体，用于基于文本的地理定位和词汇方言学。在 Twitter 数据上进行评估，该模型优于传统的基于回归的地理定位，并提供更好的不确定性估计。我们还展示了从位置预测词汇在词汇方言学中的有效性，并使用 DARE 数据集进行评估。

Aug, 2017

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

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

通过改进迭代算法并考虑基于文本的地理位置先验知识，我们提出了一种在社交媒体上进行地理位置预测的标签传播方法，实验证明该方法在三个 Twitter 基准数据集上取得了最优效果。

Jun, 2015

本文研究表明，虽然方言语言在社交媒体上越来越普遍，但是开发自然语言处理工具的资源很少。本文以推特上的非裔美国英语为案例研究方言语言的实用性。文章提出了一种基于地理位置信息的远距离语言学习模型来识别 AAEL（African-American English like language），并验证了这种语言遵循已知的非裔美国英语语言现象。此外，文章对现有的语言识别和依赖解析工具在 AAEL 文本上的质量进行了分析，证明它们在处理这样的文本时比白人说话者的文本表现差。作者还提供了一种语言识别的整合分类器，消除了这种差异，并发布了一个包含 AAEL 类似语言的新推文语料库。

Aug, 2016

分析社交媒体数据中的位置和口语与 Twitter 数据之间的关系，采用每个城市特定的词袋模型并评估它们的表现。揭示了地理位置对在线交流的重大影响，证明了即使在嘈杂的数据中，也可以发现隐藏的见解。这项研究将复杂的模型与抽象理解结合起来，为将结构化模型与推测性推理相融合的系统开辟了道路。

Oct, 2023

研究发现，在不同的语言和方言中，文本分类器存在偏见。本文介绍了一个新的数据集 GeoOLID，以及基于该数据集进行的地域相关内容以及其对模型性能差异的完整分析。研究表明，当前模型不能跨位置推广，并且尽管针对非洲裔美国英语的攻击语言模型会引起虚假警报，但是模型性能与每个城市的少数族裔人口比例没有相关性。

Sep, 2022

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

本文提出了一种基于地理空间分类和基于嵌入的语言建模组合的两阶段方法，用于分析 Twitter 上与虚假信息相关的社交媒体数据，特别是针对英语、法语和西班牙语等三种欧洲语言，通过比较分析证明了分类方法的有效性，并突出了虚假信息相关媒体的地理、时间和语言差异。

Aug, 2021