本文提出一种方法，利用文本和图像的多模态信息进行 POI 类型（地点类型）预测，该方法从文本和图像中提取相关信息，有效捕捉文本和图像之间的交互，实现了 47.21 的宏 F1 表现，且在八个类别方面显著优于基于纯文本方法的 POI 类型预测最先进方法。最后，我们对跨模态交互和我们最佳性能模型的局限性进行了详细的分析。

Sep, 2021

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

本文提出了一个简单而有效的模型，即真实来源模型，来解决 twitter 上的 “位置 A / B 问题”，该模型使用机器级自然语言理解来识别可能含有原始位置信息的推文，以达到国家，省市，乡镇和地区等级的有希望的准确性，并研究了多个推文的分布，以了解 Twitter 用户在提及原始和非原始位置方面的行为。

Nov, 2022

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

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

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

通过比较使用 GPS 坐标和用户自报位置不同的语言分析方法，研究表明不同年龄和性别的人对特定主题的写作风格有所不同，并给出了男性 40 岁以上的文本地理定位最准确的结果。同时，年龄和性别是影响语言使用的重要变量。

Jun, 2015

本文探索了利用不同位置、时间和作者搜集的大量元数据来分析推文情感，并使用基于贝叶斯方法的分类器，将上述元数据与 n-grams 等标准语言特征相结合，以更准确地对推文情感进行分类。结果表明，将 Twitter 可用的丰富上下文信息整合到情感分类中是一个有希望的研究方向。

May, 2016

本文通过对相关领域的系统梳理、探讨新特性和挑战、提出 POI 推荐的关键作用和具体分类，以及讨论目前数据集和可用的指标，揭示了 POI 推荐的现状、发展和未来方向。

Jul, 2016

本文通过对普渡大学的 WiFi 访问日志进行分析，提出了基于异构图的方法来编码用户、兴趣点和活动之间的关联，进而联合学习顶点的嵌入表示，证明了基于娱乐数据的建模假设在更丰富的签到数据上效果显著降低。

Sep, 2018