本文提出了一种基于识别 Twitter 个人资料描述自我报告种族和族裔的方法,以解决目前原有数据集较小、不准确或未覆盖美国四个最常见的种族和族裔群体的问题,有效提供了一个可复现的大规模培训种族和族裔判别系统的资源。
May, 2020
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
该论文介绍了一个利用 Twitter 用户聚合的方法来构建社区级别模型,可以有效的准确预测人口相关,包括人口统计、健康和心理预测等四个不同领域的结果(例如,可以将用于预测收入中位数的皮尔逊相关系数从 0.73 提升到 0.82)。
Aug, 2018
本文旨在通过将社交媒体功能纳入考虑范围,以提供一个灵活全面的框架,在交通强度和 Twitter 数据强度之间建立相关性,并将两个时间序列数据馈入我们的 Traffic-Twitter Transformer,为长期交通预测提供自然语言表示。实验结果表明,这种纳入 NLP 的社交感知框架能够成为交通机构网络广泛预测和管理的有价值的实现。
Jun, 2022
本文研究了利用推特数据进行预测和分析社会行为的可行性,使用具有地理属性的推特数据进行 2021 年墨西哥议会选举建模,结果表明该方法比传统民意调查更准确和精确。同时,该推特数据与官方普查数据呈正相关,表明在线数据可以提供准确的离线行为表示。
Jan, 2023
提出了一种基于地理位置标记推特的计算方法,能够以细微的地理分辨率、灵活的地理边界与不同时间间隔推测人口统计学数据,通过对性别、种族 / 族裔等因素的预测,超越了传统方法的平均相关性。
Twitmo 是一个创新的工具包,可用于收集、预处理、分析和可视化地理标记的 Twitter 数据,以进行主题建模和公共话语分析。
Jul, 2022
使用推特获得的大量时间序列数据,通过词嵌入技术和专门微调的语言模型进行后处理,捕捉了过去五年中 n-gram 频率、相似性、情感和主题分布的变化。构建在该数据之上的界面可以进行时间分析,用于检测和描述意义的转变,包括与趋势度量相补充的情感和主题的时间关联信息。我们提供了一个在线演示用于方便实验,还分享了代码和底层的聚合数据供以后的工作使用。本文还讨论了基于我们平台的三个案例研究,展示了它在时间语言分析方面的潜力。
Aug, 2023
本研究提供了一种能够在公开可见的 Twitter 数据的基础上,准确地确定 Twitter 用户位置的方法。通过优化社交网络中的用户位置并检视他们好友的位置,本文提供了一种高可扩展性和可分布式的算法,并展示了如何利用用户的 ego 网络的地理离散度来作为准确性度量的参数。本文的实验结果表明,在 101,846,236 位 Twitter 用户的位置中,其中 80% 以上的公开推文地理标记的中位误差为 6.38 公里。
Apr, 2014