通过多视角表示学习，结合用户的社交和文本信息，构建相关用户的上下文表示，以理解他们的生活方式选择，该文提出了一种联合嵌入模型并将其应用于推文分析。在实验中，模型在 Yoga 和 Keto 饮食领域中均取得了较好的表现。

Apr, 2021

本文针对社交媒体中讨论的各种话题，通过推文主题分类研究，提供两个相关数据集用于评估推文分类模型，并在语言模型上进行量化评估和分析。

Sep, 2022

本研究使用 Granger 因果关系探究社交媒体中瑜伽与快乐之间的关系，结合文本和时间信息，通过内容分析衡量瑜伽活动水平和快乐情绪，并使用神经网络和注意力机制提出联合嵌入模型以了解用户瑜伽活动，利用注意力神经网络模型和迁移学习方法测量用户快乐情绪，Twitter 数据实验表明，有 1447 个用户在瑜伽活动时 “瑜伽 Granger 导致快乐”。

Dec, 2020

本研究提出了一种基于图嵌入技术的弱监督框架来理解社交媒体用户类型，通过对推特中与健康相关的信息进行监督，我们证明了该框架在检测用户类型方面的优势，并展示了不同类型用户（从我们的数据集）的数据分析。

Aug, 2021

研究通过 Instagram 中用户提供的标签与机器标注标签的数据来源的可行性及其对公共健康状况的研究价值，发现二者均可用于推断县域健康状况，并提出了机器标注标签在研究物质滥用方面的应用潜力。

Dec, 2015

本文介绍了一种基于深度神经网络的技术框架，用于在 Twitter 上连续纵向地识别和分析选举相关的对话，其模型可以将选举相关的推文检测的 F 分数为 0.92，并将这些推文分类为 22 个主题，其 F 分数为 0.90。

May, 2016

本文研究了利用推特进行营养数据收集与分析的可行性，通过关联 210K 用户推特中提及的饮食体验与其兴趣、社交网络等因素，以推断全美国人的饮食习惯；进一步根据提及的食物名称和人口统计学变量预测县级肥胖症和糖尿病数据，结果较之前的研究表现更佳；最后，还根据提到社会和经济因素的数据，研究了肥胖症的社会因素。

Dec, 2014

分析推特的情绪内容可以优于传统人口统计数据，利用自然语言处理和机器学习技术可以识别潜在心血管疾病风险的个体，为公共卫生监测提供了替代方法。

Sep, 2023

研究社交媒体上食品语言的预测能力，通过三百万个相关推特文章的语料库，演示可以直接从数据中预测许多潜在的人口特征，包括超重率、糖尿病率、政治倾向和作者的家庭地理位置，所有任务的基于语言的模型都显著优于多数基线。最后，我们设计和实现了一个在线系统，用以实时查询和可视化数据集。

Sep, 2014

使用社交媒体数据进行疾病监测，提出了一种基于个人水平而非人口统计学水平的新的疾病监测系统，通过组合文本分析、异常检测和社交网络分析等手段，可以在个人水平诊断感染流感的准确性超过 99%。

Apr, 2014