EMNLPOct, 2019

Twitter 用户地理位置预测的分层神经网络

PDF
TL;DR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。
user locationneural networkhierarchical structuregeolocationtweets
发现论文，激发创造
  • 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

  • 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

  • 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

  • 通过高效的分层位置表示在个人轨迹中进行预训练的上下文位置嵌入

    通过预先训练基于位置的嵌入来提高位置服务的性能，并利用 Geo-Tokenizer 减少训练的位置数量，在考虑位置的时间依赖性的同时，有效地训练分解的位置，从而提供更少的模型参数并改善下游任务的性能。

    Oct, 2023

  • 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

  • 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

  • 全球推文实时国家级地理位置分类

    本文介绍了如何将全球推文分类到各自的国家，通过使用八种推文本身固有的特征进行分类，并结合历史推文训练模型来分类新的推文。最佳的分类结果需要利用推文内容和元数据的适当组合。

    Apr, 2016

  • 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

  • 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