Dec, 2017

多视角深度学习预测 Twitter 用户位置

PDF
TL;DR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。
twitter user geolocationcontent-based approachnetwork-based approachdeep learningmultiview learning
发现论文，激发创造
  • Twitter 用户地理位置预测的分层神经网络

    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

  • 基于社交网络和内容的用户和关系多位置分析

    本文旨在使用推特用户的关注网络和推文来进行多重位置简介。作者提出了一个多重位置简介模型（MLP），该模型不仅可以准确和完全地发现用户的位置，而且还可以通过揭示关系中用户的真实位置来 “解释” 每个关注关系。MLP 在大型数据集上的实验表明了其优势。

    Aug, 2012

  • 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

  • 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

  • 使用统一的文本和网络预测模型进行 Twitter 用户地理位置推测

    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

  • 基于图卷积网络的半监督用户地理位置识别

    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

  • 利用文本和网络上下文定位社交媒体用户

    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

  • 使用神经网络从异构证据学习个体的多方面表示

    我们采用神经网络学习个人的多维表示，结合社交媒体上的丰富语言和网络证据，从而综合推断人们在线的潜在属性，包括性别、职业、位置和友谊，并在推特上实现了分类、学习表示和预测任务的提高性能。

    Oct, 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

  • 用户地理定位和词汇方言学的神经模型

    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